DeCAF: A Deep Convolutional Activation Featurefor Generic Visual Recognition阅读报告（1）

1、问题描述

利用深度神经网络进行特征的提取和分类取得了很好的效果。在很多视觉会议的竞赛上，CNN（卷积神经网络）的方法效果都不错。一些“基准”的数据集例如：Caltech-101（Fei-Fei et al., 2004），办公室内区域数据集（Saenko et al., 2010）Caltech-UCSD鸟类纹理识别数据集（Wnlinder et al., 2010）以及SUN-397场景识别数据集（Xiao et al., 2010）。在此之前，可以利用传统的特征提取法以及分类方法例如人工神经网络法或者SIFT特征等方法对上述数据集进行分别训练，然后识别。那么问题来了，在有限的数据集上，有监督的深度神经网络结构很容易造成过拟合（Krizhevsky et al., 2012），这应该怎么解决？

本文研究的是，在大规模数据集上进行有监督的训练，提取出来的特征直接应用到其他的分类任务当中。就比如，在ImageNet数据集上训练CNN，得到了一个有参数的神经网络结