追逐阳光是向日葵的目标，所以她总是自豪的面向太阳；冲破黑暗是种子的目标，所以它最终置身于光明的怀抱；满载金黄的沉甸是麦苗的目标，所以他终在秋日里含笑……他们因为拥有目标而走向成功，他们的成功向我们展示着一个道理――目标是成功人生的方向。
目标对于每个人而言都是必不可少的，它并不受现实的束缚，并不是说因为现实不好，目标便无望了。目标是属于现在而存在于未来的，它指明现实向未来迈进的方向，有了好的目标，就等于有了好的方向就等于向成功迈出了第一步。
大家所熟知的陈涉，那声“燕雀安知鸿鹄之志哉”，是多么豪放而远大的目标呀。正是因为有了“鸿鹄”之志，才会有后来的大泽乡起义，才会使陈涉成为我国历史上第一位领导农民起义的领袖。这向我们证明着，目标是迈向成功人生的方向。
又如，我国的伟大总理周恩来，在其幼年时就立下了“为中华之崛起而读书”的目标，正因为如此，他才会向着这个目标不断奋进，才会真正实现“中华之崛起”。是目标，让他坚定地迈出了第一步，最终成为受人爱戴的总理。
当然，这并不意味有了目标便有了成功。毕竟目标只是一个方向，一个动力。空有目标而不赴诸行动，那目标便毫无价值。许多人不正是如此吗？他们大谈自己的目标如何如何，却从不站在现实的角度向目标迈进，他们的目标是虚幻的，是空想，因为他们从不用奋斗与拼搏去实现目标。最终的结果，也无非是枉自空闲到白发，增添几几声叹息罢了。
作为二十一世纪的青少年，作为祖国未来的建设者，一方面，我们要树立远大的目标，另一方面，我们要不停地为目标而努力奋斗。孰不知，目标是迈向成功的方向，是迈向成功的第一步，而奋斗则是迈向成功的保障，是迈向成功的第二步第三步……只有拥有奋斗、拼搏作为保障的目标，才是真正象征着成功人生的目标。
没有了目标，人生会如没有帆的船在生活的海洋中漂荡，无法到达理想的彼岸。正如向日葵、种子、麦苗一样，他们因为有了目标，才会有迈向成功的方向和动力，才会有获得成功的希望。
这是我们班上一篇以“目标与人生“的话题议论文
树立自己的目标吧，为飞向成功的希望插上翅膀。
鲜花因有了目标而开放
泉水因有了目标而奔流
大雁因有了目标而飞翔
生活因有了目标而精彩
时间的车轮滚滚向前,碌碌无为是一生,光芒四射也是一生,为什么不让自己的生命更精彩呢?制定目标,你就会有一个前程似锦的未来.
目标是一人个努力地方向,有了目标,才知道我们做事的意义何在；有了目标才知道应该朝哪个方向去奋斗.生活中有了目标,未来就会充满希望,我们就会更有力量和激情.生活也因此更精彩,更美好,更充实.
目标是前进的动力.有了目标,我们就要勇往直前,坚持不懈地去努力.有了目标,我们就要风雨兼程,无所畏惧地去跋涉.
生活需要目标,制定目标也要合理定位,适时把握.我的一个朋友经常说：“我不去和别人比,我和自己比.我只想我今天的目标是什么?应该怎样完成?是否完成了?”她每天都会给自己制定一个小目标,并且尽最大的努力去完成.
我很赞同她的的做法,不要把目标定的遥不可及.拥有远大的理想不是坏事,但若超出了自身的实际能力,就未免不合时宜了.凡事要尽力而为,也要量力而行.
每天制定一个小目标,循序渐进,逐步实现目标,就能避免许多无谓的挫折,如果找不准底线,一味求多,可能就会适得其反.
生活如歌,因为有了目标而婉转动听；生活如酒,因为有了目标甘甜香醇.
热爱生活的朋友们,让我们一起共勉,为了心中美好的愿望去自由翱翔.
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation
提出时间：2014年
论文地址：
针对问题：
从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。
创新点：
RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。
参考博客： 。
论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks
提出时间：2014年
论文地址：
针对问题：
该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。
创新点：
在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。
参考博客：
论文题目：Scalable Object Detection using Deep Neural Networks
提出时间：2014年
论文地址：
针对问题：
既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。
创新点：
本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。
参考博客：
论文题目：DeepBox: Learning Objectness with Convolutional Networks
提出时间：2015年ICCV
论文地址：
主要针对的问题：
本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。
创新点：
本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。
参考博客：
论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection
提出时间：2015年ICCV
论文地址：
主要针对的问题：
对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？
创新点：
通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。
参考博客：
论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
提出时间：2014年
论文地址：
针对问题：
如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。
创新点：
作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。
参考博客 ：
论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model
提出时间：2015年
论文地址：
针对问题：
既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。
创新点：
作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。
参考博客 ：
论文题目：Fast-RCNN
提出时间：2015年
论文地址：
针对问题：
RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？
创新点：
作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。
参考博客 ：
论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers
提出时间：2015年
论文地址：
主要针对的问题：
本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。
创新点：
作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。
论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
提出时间：2015年NIPS
论文地址：
主要针对的问题：
由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？
创新点：
将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。
参考博客 ：
