O                         v                         e                         r                         F                         e                         a                         t                         :                         I                         n                         t                         e                         g                         r                         a                         t                         e                         d                                                                            R                         e                         c                         o                         g                         n                         i                         t                         i                         o                         n                         ,                         L                         o                         c                         a                         l                         i                         z                         a                         t                         i                         o                         n                                                                            a                         n                         d                                                                            D                         e                         t                         e                         c                         t                         i                         o                         n                            OverFeat: Integrated\ _{}Recognition, Localization\ _{}and\ _{}Detection                 OverFeat:Integrated Recognition,Localization and Detection

                                u                         s                         i                         n                         g                                                                            C                         o                         n                         v                         o                         l                         u                         t                         i                         o                         n                         a                         l                                                                            N                         e                         t                         w                         o                         r                         k                         s                            using\ _{}Convolutional\ _{}Networks                 using Convolutional Networks

                                P                         i                         e                         r                         r                         e                                                                            S                         e                         r                         m                         a                         n                         e                         t                         ，                         D                         a                         v                         i                         d                                                                            E                         i                         g                         e                         n                         ，                         X                         i                         a                         n                         g                                                                            Z                         h                         a                         n                         g                             Pierre\ _{}Sermanet，David\ _{}Eigen， Xiang\ _{}Zhang                 Pierre Sermanet，David Eigen，Xiang Zhang

                                M                         i                         c                         h                         a                         e                         l                                                                            M                         a                         t                         h                         i                         e                         u                         ，                         R                         o                         b                                                                            F                         e                         r                         g                         u                         s                         ，                         Y                         a                         n                         n                                                                            L                         e                         C                         u                         n                            Michael\ _{}Mathieu，Rob\ _{}Fergus，Yann\ _{}LeCun                 Michael Mathieu，Rob Fergus，Yann LeCun

                                O                         v                         e                         r                         F                         e                         a                         t                         ：                         使                         用                         卷                         积                         网                         络                         进                         行                         识                         别                         、                         定                         位                         和                         检                         测                            OverFeat：使用卷积网络进行识别、定位和检测                 OverFeat：使用卷积网络进行识别、定位和检测

  摘要：我们提出了一个使用卷积网络进行分类、定位和检测的集成框架，展示了如何将多尺度以及滑动窗口方法有效的应用在一个卷积网络中。我们还通过学习预测目标边界来介绍一种新的深度学习方法来进行定位，然后累积边界框而不是抑制边界框以增加检测置信度。我们展示了使用单个共享网络可以同时学习不同的任务。该集成框架是ImageNetLargeScale视觉识别挑战2013（ILSVRC2013）的定位任务的获胜者，并且在检测和分类任务方面获得了非常有竞争力的结果。在赛后工作中，我们为检测任务建立了新的技术水平。最后，我们从我们最好的模型中提出一个特征提取器，叫做OverFeat。

• 分类：图像上是啥？
• 定位：目标在哪里、是啥？
• 检测：在哪里、都有啥？

  定位是介于分类和检测的中间任务，分类和定位使用相同的数据集，检测的数据集有额外的数据集（目标比较小）。