面臨的挑戰：
1、目標檢測窗口生成：
方法一：將檢測任務作爲迴歸問題
方法二：滑動窗
方法三：selective search
2、數據集較少
通過在大的數據集ILSVRC上進行有監督的預訓練
測試模塊的設計：
1、目標建議框的生成：selective search
2、特徵提取：從每個建議區域227x227 提取到4096維特徵。爲了得到統一227x227圖像，採用仿射變換。
3、對於每一個類採用1 vs res svm進行分類。
訓練細節：
1、有監督的預訓練，圖像級別的標籤
2、fine-tune卷積層，將目標分爲21類，iou>0.5 = postive，在mini batch 128 = 32postive +96background
3、分類svm訓練，閾值設置非常重要，直接影響mAP，iou = 0.3。注意訓練svm時候，由於訓練數據比較多，negative數量遠遠大於postive數量，所以採用standard hard negative mining method
錯誤分析：
1、Loc poor location
2、Sim 和相似的類混淆
3、Oth 和不相似的類混淆
4、BG 假陽性
相比於dmp更多的錯誤在於定位誤差，所以下面才用了bounding box的迴歸。
技術關鍵點：
selective search
affine image warping 仿射變換
standard hard negative mini method
如何對bounding box進行迴歸修正
