RGB-D object recognition and pose estimation based on pre-trained convolutional neural network features
最近发现将阅读论文的心得体会记录下来是很有必要的，一方面将自己的想法用文字表达出来，可以锻炼论文写作表达能力，便于后续论文写作。另一方面，便于回顾自己的工作。
本文仅代表我自己的观点，对论文理解有误的地方，欢迎大家指正。
正如标题说是，本文是利用迁移学习技术将训练好的CNN模型应用于室内物体（household object）的识别及姿态评估任务。为了获得物体的姿态，并提高物体识别的精度，本文利用RGB-D信息训练神经网络。由于卷积神经网络（本文用的是A. Krizhevsky在ImageNet ILSVRC 2011上用的模型，A. Krizhevsky, I. Sutskever, and G. E. Hinton,“Imagenet classification with deep convolutional neural networks,” in Advancesin Neural Information Processing Systems (NIPS), 2012, pp. 1097–1105.）大部分是使用RGB图像进行训练，而深度图是用灰度图表示的，为了能将深度图作为输入，训练神经网络，作者用了一个技巧，首先从深度图中提取出需要识别的目标物体，然后对其上色，得到Colorized image，如下图所示。
然后作者根据卷积神经网络输出的结果，利用SVM（支持向量机）得到物体类别和姿态（这部分论文为详细阐述，故不太了解具体是怎么做的）。
