原文地址：https://blog.csdn.net/poorfriend/article/details/51604385
训练过程：
step 1: 对于每张图片，利用选择性搜索（SS，Selective Search）找出2K个候选区域。对每个候选区域改变其尺度和长宽比，使其与卷积神经网络要求的图片输入的规格保持一致。
step 2: 利用Alexnet或VGGnet初始化CNN，将最后的1000类分类器替换成21类（20类+背景）分类器，随机初始化这层权重，然后就是整个网络的fine-tuning。训练时候选区域中，与GT box（grand-true box）的IOU大于0.5标为正样本，其余为负样本。从正样本中随机抽取32个，负样本中随机抽取96个，构成一个128的min-batch。
step 3: 利用步骤2调整好的网络（前面的网络已经是固定了）提取特征，用SVM分类。GT box标为正，其他候选区域中与GT box的IOU小于0.3标为负，其他的舍去。step 4: 边框回归
注：
1 改变图片大小，文中给出了几种方法：
(1)各向异性缩放, 我的理解是长宽放缩不同的倍数：
这种方法很简单，就是不管图片的长宽比例，管它是否扭曲，进行缩放就是了，全部缩放到CNN输入的大227*227，如下图(D)所示；
(2)各向同性缩放，长宽放缩相同的倍数
A、“tightest square with context”:把region proposal的边界进行扩展延伸成正方形，灰色部分用原始图片中的相应像素填补，如下图(B)所示;
B、“tightest square without context”:把region proposal的边界进行扩展延伸成正方形，灰色部分不填补，如下图(C)所示;
在放缩之前，作者也考虑了，在region proposal周围补额外的原始图片像素（pad p）。两张图片第一层p=0，第二层p=16.
2 正负样本和softmax的问题：
为什么最后分类的时候用SVM代替了softmax，因为作者通过实验发现还是SVM更好。那为什么不一开始就用SVM做fine-tuning呢？我认为是SVM是一个二分类器，并不适合做fine-tuning。当用softmax做fine-tuning时，如果采用和SVM一样的区分正负样本策略，则效果会差很多。作者猜测是因为这样做会引起样本数太少导致过拟合。softmax区分样本的方法更宽泛，将正样本的数量提高近30倍，这样就避免了过拟合。值得注意的是，这样做得到的结果是次优的，因为并没有用精确的定位以及更严格的负样本来fine-tuning。svm训练的时候，因为svm适用于少样本训练，所以对于训练样本数据的IOU要求比较严格。
3 边框回归：
用SVM为每个region proposal评分后，可以用边框回归找到更精确地定位。这些边框回归器是按类来训练的。
P和G分布候选区域和GT Box，P和G的IOU必须达到某个阈值（文中是0.6）。下面不加说明的话省略上标i.。公式中x,y代表区域中心坐标，w,h代表长和高。是region proposal经变换后的新区域。
据作者的结论，对候选区域评分和边框回归只进行一次，多次迭代，并无提升。