算法分为4个步骤：
1. 生成1k～2k个候选区域
使用selective search方法，从一张图像生成约2000～3000个候选区域：
（1）使用一种过分割手段，将图像分割成小区域
（2）查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置
优先合并以下四种区域：颜色（颜色直方图）相近的，纹理（梯度直方图）相近的，合并后总面积小的（保证合并操作较为均匀，避免一个大区域陆续“吃掉”其他小区域），合并后总面积在其bbox中所占比例大的（保证合并后形状规则）。
上述四条规则只涉及区域的颜色直方图、纹理直方图、面积和位置，合并后的区域特征可以直接由子区域特征计算而来，速度较快。
（3）输出所有曾经存在过的区域，所谓候选区域
为了尽可能不遗漏候选区域，上述才做在多个颜色空间中同时进行（RGB,HSV,Lab等）。在一个颜色空间中，使用上述四条规则的不同组合进行合并。所有颜色空间与所有规则的全部结果，在去除重复后，都作为候选区域输出。
候选区域生成和后续步骤相对独立，实际可以使用任意算法进行。
2. 对每个候选区域，使用深度网络提取特征
预处理：使用深度网络提取特征之前，首先把候选区域归一化成同一尺寸227*227。此处有一些细节可做变化：外扩的尺寸大小，形变时是否保持原比例，对框外区域直接截取还是补灰。会轻微影响性能。
网络预训练：借鉴hinton 2012年在image net上的分类网络，略作简化。提取特征4096维，之后送入4096->1000的全连接层进行分类，学习率0.01。【训练数据：使用ilvcr 2012的全部数据进行训练，输入一张图片，输出1000维的类别标号】
网络调优训练：同样适用上述网络，最后一层换成4096->21的全连接网络。学习率0.001，每一个batch包含32个正样本（属于）和96个背景（负样本）（提前设计好的）【训练数据 ：使用PASCAL VOC 2007的训练集，输入一张图片，输出21维的类别标号，表示20类+背景。 考察一个候选框和当前图像上所有标定框（gt）重叠面积最大的一个。如果重叠比例大于0.5，则认为此候选框为此标定的类别；否则认为此候选框为背景。】
3. 特征送入每一类的svm分类器，判别是否属于该类
对每一类目标，使用一个线性svm二类分类器进行判别。输入为深度网络输出的4096维特征，输出是否属于此类。由于负样本很多，使用hard negative mining（hard negative 就是每次把那些顽固的棘手的错误, 再送回去继续练, 练到你的成绩不再提升为止. 这一个过程就叫做'hard negative mining'）方法。
正样本：本类的真值标定框（gt+选出的框，也有很多）。
负样本：考察每一个候选框，如果和本类所有标定框的重叠都小于0.3，认定其为负样本。
使用nms算法选出最终确定的几个框，如果两个框重叠很大，选出其中置信度高的框。
4. 使用回归器精细修正候选框位置
该步骤不改变最终框的数量，只改变大小形状等。
目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。
回归器：对每一类目标，使用一个线性脊回归器（在线性回归问题中，如果在回归模型后面增加L2范数的惩罚项，则为脊回归；如果增加L1范数的惩罚项，则为套索回归，参考：https://blog.csdn.net/aoulun/article/details/78688572）进行精修（并不能懂精修的过程，一种回归算法？）。正则项λ=10000λ=10000。 输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。
训练样本：判定为本类的候选框中，和真值重叠面积大于0.6的候选框（使用框出的部分来训练吗？）。
训练过程和测试过程是完全分开的。cnn网络和svm分类器等全都是根据train集训练好的。测试时输入图片，输出框即可。
本文参考：https://blog.csdn.net/shenxiaolu1984/article/details/51066975