r-cnn的**中提到了各向同性，各向異性縮放的概念，這裡做乙個詳細解釋：
當我們輸入一張時，我們要搜尋出所有可能是物體的區域，r-cnn採用的就是selective search方法，通過這個演算法我們搜尋出2000個候選框。然後從r-cnn的總流程圖中可以看到，搜出的候選框是矩形的，而且是大小各不相同。然而cnn對輸入的大小是有固定的，如果把搜尋到的矩形選框不做處理，就扔進cnn中，肯定不行。因此對於每個輸入的候選框都需要縮放到固定的大小。
下面我們講解要怎麼進行縮放處理，為了簡單起見我們假設下一階段cnn所需要的輸入大小是個正方形227*227。因為我們經過selective search 得到的是矩形框，*****試驗了兩種不同的處理方法：
這種方法很簡單，就是不管的長寬比例，管它是否扭曲，進行縮放就是了，全部縮放到cnn輸入的大小227*227，如下圖(d)所示；
直接在原始中，把bounding box的邊界進行擴充套件延伸成正方形，然後再進行裁剪；如果已經延伸到了原始的外邊界，那麼就用bounding box中的顏色均值填充；如下圖(b)所示;
對於上面的異性、同性縮放，文獻還有個padding處理，上面的示意圖中第1、3行就是結合了padding=0, 第2、4行結果圖採用padding=16的結果。經過最後的試驗，作者發現採用各向異性縮放、padding=16的精度最高。（也就是最後乙個圖）
各向異性擴散
主要是用來平滑影象的，克服了高斯模糊的缺陷，各向異性擴散在平滑影象時是保留影象邊緣的 和雙邊濾波很像 通常我們有將影象看作矩陣的，看作圖的，看作隨機過程的，記得過去還有 看作力場的。這次新鮮，將影象看作熱量場了。每個畫素看作熱流，根據當前畫素和周圍畫素的關係，來確定是否要向周圍擴散。比如某個鄰域畫素...
各向異性擴散
主要是用來平滑影象的，克服了高斯模糊的缺陷，各向異性擴散在平滑影象時是保留影象邊緣的 和雙邊濾波很像 通常我們有將影象看作矩陣的，看作圖的，看作隨機過程的，記得過去還有 看作力場的。這次新鮮，將影象看作熱量場了。每個畫素看作熱流，根據當前畫素和周圍畫素的關係，來確定是否要向周圍擴散。比如某個鄰域畫素...
3DCT 各向同性
各向同性 也叫 立方體畫素 是指畫素的長寬高都相等的情況。在螺旋ct沒有出現之前，談到 畫素 一般僅僅指畫素的長寬值，而忽略了畫素的高度。但是，正如我們常做的比喻 ct斷面就象一片片的麵包 而 麵包片 實際上是有厚度的，所以 畫素 的確切說法應該是 畫素體 具有長寬高。螺旋ct出現以後，可以進行體積...