14年的RCNN主要是一个观点：迁移学习

分析的原文
用来做目标检测和语义分割的神经网络。
观点：缺乏大量的标注数据时（maybe数据库小），比较好的可行的手段是，进行神经网络的迁移学习，采用在其他大型数据集训练过后的神经网络，然后在小规模特定的数据集中进行 fine-tune 微调。
迁移学习：将一个问题A（有好多数据量）上训练好的模型通过简单的调整使其适应一个新的问题B（数据量小）
调整的过程：可以选择保留前几层卷积层的权重，以保留低级特征的提取；也可以保留全部的模型，只根据新的任务改变其fc层

Alex上课课件↓Alex讲到，对于在ImageNet上训练过的pre-trained model，其参数可以用来初始化别的任务：

• 数据量小的新任务。可以把前面的大部分层参数freeze，保留前面的卷积层和部分卷积层，以获取在ImageNet上得到的提取特征的能力，作为特征提取器，而只训练最后一层的全连接层。
• 数据量中等的新任务。则需要更多的可变的层来拟合新任务的数据，freeze前面的层，训练后面更多的层去拟合新数据。
  但实际来说，什么是小和大往往没有定量的描述，我觉得还是需要根据pretrain模型时的数据和新问题的数据之间的多样性复杂程度来评估。