物体的局部信息可以用来进行精细分类，这篇文章学习了整个物体和物体局部检测器，从pose-normalized表示预测精细分类。局部定位可以反应物体之间的关联，并能降低物体姿态或相机位置变化带来的影响。Poselet和DPM用于物体局部定位获得了一定的效果，但测试时只有在给定bbox时才能获得充足的局部定位信息。精细识别，属性识别，姿态估计及推理预测等需要准确的局部信息。思路来源：在Caltech-

物体的局部信息可以用来进行精细分类，这篇文章学习了整个物体和物体局部检测器，从pose-normalized表示预测精细分类。局部定位可以反应物体之间的关联，并能降低物体姿态或相机位置变化带来的影响。Poselet和DPM用于物体局部定位获得了一定的效果，但测试时只有在给定bbox时才能获得充足的局部定位信息。精细识别，属性识别，姿态估计及推理预测等需要准确的局部信息。思路来源：在Caltech-

一.文献名字和作者   Part-basedR-CNNsfor Fine-grainedCategoryDetection,ECCV2014  二.阅读时间  2014年12月8日三.文献的目的   文献的目的是解决在进行细粒度识别的测试过程中，关于物体边框注解的依赖问题。四.文献的贡献点  作者提出了一种使用深度卷积特征作为整个物体检测器和可区分性物体检测器，并且在整体和可区分性块上面添加几何约