1. 论文亮点
这篇论文处理的问题和上一篇《Backpropagation applied to handwritten zip code recognition》相同，使用了相同的数据集，训练集和测试集划分也完全相同，关于数据集的详细信息在论文中有介绍。
这篇论文的主要亮点是网络结构的设计，如下图所示：
作者提到，这次的网络模型是上两篇论文
《Generalization and Network Design Strategies 》
《Backpropagation applied to handwritten zip code recognition》
中提出模型的进一步扩展。网络结构特点如下：
网络的输入图像大小由之前的16x16变成28x28；
网络包含了4个隐藏层H1—H4；
H1是kernel=5x5，stride=1的卷积层，得到4个24x24大小的feature map；
H2是kernel=2x2，stride=2的平均池化层，得到4个12x12大小的feature map；
H3是kernel=5x5，stride=1的卷积层，得到12个8x8大小的feature map；
-
注意，H3每一个feature map的卷积输入层并不是H2中所有的4个feature map，而是只使用了其中的1-2个feature map，具体的设置如下表所示：
H4是kernel=2x2，stride=2的平均池化层，得到12个4x4大小的feature map；
H4直接通过一个全连接到输出层，丢掉了之前模型中的全连接隐藏层（猜想是为了减小模型参数数量）；
这次提出的CNN网络结构（当时还没这么称呼）的层次结构已经和经典CNN网络如LeNet-5、AlexNet等基本一致了，即交替的卷积层—池化层—卷积层—池化层，只不过这篇论文中的池化层是平均池化，现在普遍采用的是最大池化。
2. 总结
和前面两篇论文相比，这篇论文的工作量比较少，唯一的亮点就是继续改进的CNN分类网络的层级架构，朝着现代CNN网络架构的方向逐渐靠近，属于一个探索的过渡阶段。
