Faster rcnn是用来解决计算机视觉(CV)领域中Object Detection的问题的。经典的解决方案是使用: SS(selective search)产生proposal,之后使用像SVM之类的classifier进行分类，得到所有可能的目标. 使用SS的一个重要的弊端就是：特别耗时，而且使用像传统的SVM之类的浅层分类器，效果不佳。
不好了，不好了，出大事了，码农可以搞艺术装逼了，怎么办？怎么办？
Deep Neural Decision Forests为ICCV2015 Best Paper，这篇论文提出了一个非常有建设性的思路，那就是将传统数据挖掘（分类、回归超牛逼）的思想结合到卷积神经网络（提特征超牛逼）里面，这样训练出一个end to end的模型。
这篇论文引入了一种对filter，feature map进行二值化的算法，从而避免了传统CNN中卷积操作的实数乘运算。论文提到，单纯对filter参数二值化，会有2X效率的提升，如果再对feature map的值进行二值化会有58X提升，并提升27X的内存利用率，但是会有一定的准确度损失，但是这篇论文仍然堪称解决CPU训练深度网络效率低的良药。
使用基于SIFT的局部特征以及基于CNN提取的全局特征对图片进行索引。文中提到SIFT局部特征在图片检索领域具有里程碑式的影响，但是受限于其局部而没考虑到全局的线索，由此带来了mAP的损失，虽然后面的研究工作也提出了基于color和boundary的特征，但这些都是启发式的，没有理论依据。因此作者提出了使用CNN的region以及global特征来弥补SIFT的不足，同时针对这3中特征建立索 ...