Faster RCNN是對之前的 RCNN、SPPNet、Fast RCNN 等目標檢測框架的進一步優化，將 Region Proposal 過程融合進入 CNN 模型，稱之為 RPN（Region Proposal Network），大幅降低了 test-time 計算量，可以實現近似實時目標檢測。看到有文章說Faster R-CNN預先獲取region proposal，然後在對每個proposal分類計算量還是比較大，所以出現了YOLO這類目標檢測方法（還沒看過）。

本文主要通過反捲積來視覺化卷積網路，並調整卷積網路。       
卷積網路對於平移和縮放具有很好的不變性，對於旋轉的不變性較差；但是在平移和縮放不變形實驗中不同物體的標籤概率曲線不是在一個集中的範圍，紅線的標籤概率曲線比較低，是不是平移和縮放不變性對不同的物體存在差別。針對旋轉的不變性較差可以通過調整影象角度來擴充訓練集，而不用僅將影象切割成多片來擴充。
這個論文訓練的網路，相比Alex-net的3,4,5層只連線同一個GPU的特徵圖的區域性連線方式，換成了全連線的形式。
引數設定；相比Alex-net把一些bias設定為1，把bias全部設定為0，其他和Alex-net一樣，那麼這個網路比Alex-net更優的原因應該不單單是改變filter大小和間隔這兩個因素。