算法分爲4個步驟：
1. 生成1k～2k個候選區域
使用selective search方法，從一張圖像生成約2000～3000個候選區域：
（1）使用一種過分割手段，將圖像分割成小區域
（2）查看現有小區域，合併可能性最高的兩個區域，重複直到整張圖像合併成一個區域位置
優先合併以下四種區域：顏色（顏色直方圖）相近的，紋理（梯度直方圖）相近的，合併後總面積小的（保證合併操作較爲均勻，避免一個大區域陸續“吃掉”其他小區域），合併後總面積在其bbox中所佔比例大的（保證合併後形狀規則）。
上述四條規則只涉及區域的顏色直方圖、紋理直方圖、面積和位置，合併後的區域特徵可以直接由子區域特徵計算而來，速度較快。
（3）輸出所有曾經存在過的區域，所謂候選區域
爲了儘可能不遺漏候選區域，上述才做在多個顏色空間中同時進行（RGB,HSV,Lab等）。在一個顏色空間中，使用上述四條規則的不同組合進行合併。所有顏色空間與所有規則的全部結果，在去除重複後，都作爲候選區域輸出。
候選區域生成和後續步驟相對獨立，實際可以使用任意算法進行。
2. 對每個候選區域，使用深度網絡提取特徵
預處理：使用深度網絡提取特徵之前，首先把候選區域歸一化成同一尺寸227*227。此處有一些細節可做變化：外擴的尺寸大小，形變時是否保持原比例，對框外區域直接截取還是補灰。會輕微影響性能。
網絡預訓練：借鑑hinton 2012年在image net上的分類網絡，略作簡化。提取特徵4096維，之後送入4096->1000的全連接層進行分類，學習率0.01。【訓練數據：使用ilvcr 2012的全部數據進行訓練，輸入一張圖片，輸出1000維的類別標號】
網絡調優訓練：同樣適用上述網絡，最後一層換成4096->21的全連接網絡。學習率0.001，每一個batch包含32個正樣本（屬於）和96個背景（負樣本）（提前設計好的）【訓練數據 ：使用PASCAL VOC 2007的訓練集，輸入一張圖片，輸出21維的類別標號，表示20類+背景。 考察一個候選框和當前圖像上所有標定框（gt）重疊面積最大的一個。如果重疊比例大於0.5，則認爲此候選框爲此標定的類別；否則認爲此候選框爲背景。】
3. 特徵送入每一類的svm分類器，判別是否屬於該類
對每一類目標，使用一個線性svm二類分類器進行判別。輸入爲深度網絡輸出的4096維特徵，輸出是否屬於此類。由於負樣本很多，使用hard negative mining（hard negative 就是每次把那些頑固的棘手的錯誤, 再送回去繼續練, 練到你的成績不再提升爲止. 這一個過程就叫做'hard negative mining'）方法。
正樣本：本類的真值標定框（gt+選出的框，也有很多）。
負樣本：考察每一個候選框，如果和本類所有標定框的重疊都小於0.3，認定其爲負樣本。
使用nms算法選出最終確定的幾個框，如果兩個框重疊很大，選出其中置信度高的框。
4. 使用迴歸器精細修正候選框位置
該步驟不改變最終框的數量，只改變大小形狀等。
目標檢測問題的衡量標準是重疊面積：許多看似準確的檢測結果，往往因爲候選框不夠準確，重疊面積很小。故需要一個位置精修步驟。
迴歸器：對每一類目標，使用一個線性脊迴歸器（在線性迴歸問題中，如果在迴歸模型後面增加L2範數的懲罰項，則爲脊迴歸；如果增加L1範數的懲罰項，則爲套索迴歸，參考：https://blog.csdn.net/aoulun/article/details/78688572）進行精修（並不能懂精修的過程，一種迴歸算法？）。正則項λ=10000λ=10000。 輸入爲深度網絡pool5層的4096維特徵，輸出爲xy方向的縮放和平移。
訓練樣本：判定爲本類的候選框中，和真值重疊面積大於0.6的候選框（使用框出的部分來訓練嗎？）。
訓練過程和測試過程是完全分開的。cnn網絡和svm分類器等全都是根據train集訓練好的。測試時輸入圖片，輸出框即可。
本文參考：https://blog.csdn.net/shenxiaolu1984/article/details/51066975