主要参考文章：1，从编程实现角度学习Faster R-CNN（附极简实现）
经常是做到一半发现收敛情况不理想，然后又回去看看这篇文章的细节。
另外两篇：
2，Faster R-CNN学习总结 这个主要是解释了18, 36是怎么算的
3，目标检测中region proposal的作用？
主要研究了两个版本的 pytorch 代码，第一篇文章作者的实现，以及其提及的最简实现
两个实现我都深入看了并且修改了。
Faster R-CNN是两阶段检测：rpn + fast rcnn。rpn最前面是个feature_extractor，可以自己选择用哪一个。
rpn在voc2007训练集的2501个样本上跑了40个epoch，cls loss到大概0.10，reg loss到0.05的样子，
和陈云那个误差图在四五十epoch的时候误差基本上是一样的，我就当它收敛了。
反正就是要提取图片的特征，最后我用了squeezeNet 1.0，也还是能收敛的。
2018年3月12日11:04:28
两个用于学习Faster R-CNN的例子：
https://github.com/necroen/examples
)
![[bzoj 2726] 任务安排 （斜率优化 线性dp）](http://pic.xiahunao.cn/[bzoj 2726] 任务安排 （斜率优化 线性dp）)
