在阅读过程中，找了不少相关的资料来弄清楚比较细节的东西，其中hjimce的博客中，对于细节的理解要更全面一些，比如文中没有具体阐述的非极大值抑算法、对于fine-tuning 、训练CNN和SVM的时候标签的定义和设计的思考，非常欣慰的是在没有相关基础的前提下，我的理解跟这位大牛的理解基本一致。
在这里我不做具体的内容总结了，只希望记录下我认为比较重点和难理解的地方，值得以后参考大神的博客和论文回顾复习：
候选框：
- 对于生成候选框的相关算法？（不是核心，但是值得去了解。）
- 进入CNN之前，文章中用了哪些对于图片的处理方法，哪种效果最好？为什么？
CNN：
- fine-tuning 与 迁移学习？ 具体使用场景
- fine-tuning 的CNN 具体的细节？对于fine-tuning训练过程和SVM训练过程，标签的定义有什么不同？
- 文章中作者尝试了用softmax直接输出类别，而不用SVM，但是效果衰减很多，为什么？
Bounding-box Regression：
- 回归具体回归的是什么？
参考文章 - 为什么有这种线性转换 feature map的想法，使用这种回归的条件是什么？
- 卷积的特征的“位移、尺度、形变不变性的理解”
证伪：CNN中的图片平移不变性
由Yann Lecun, Yoshua Bengio, Geoffery Hinto撰写的Deep Learning Review(发表在Nature)中提到了池化层能够reduce the dimensionality of the representation, create an invariance to small shifts and distortions.
池化层能够降低特征表示的维度这个很好理解,伴随来的副作用是局部特征信息的损失,想象如果池化层的filtering bank不是通常的2x2维的矩阵,而是更大维度的矩阵,用max pooling 或者average pooling,信息会损失更多,而且因为每层卷积后都跟着池化层,实际上是相当于在特征的每个提取阶段,从低级特征到中级特征再到高级特征,都有略微的信息损失,因为做了多层的pooling,而不是只做一次pooling,这也是设计上的一个trick啊.这是计算复杂度和性能的trade-off, 信息如果不损失,模型的性能当然会更好,最后得到的特征表示更全面,随着计算能力的提高,这一点也在逐渐得到缓和. 从另一个方面讲，可以再一定程度上抑制过拟合。（来源于SPP-NET的原话）
第二个作用是具有一定程度上的平移和失真不变性,注意原文是说small shifts and distortions,我把他翻译成一定程度,这个程度我认为取决于pooling层中的filtering bank的维度大小,维度越高,在保持性能相同的前提下,图像可平移的距离越大,当然这本身就和上面的信息损失相冲突.
当一个最大值在八个方向变化时，其中的三个在卷积核内的变化方向与原始的取得max是相同的
另外一些博文：【RCNN系列】【超详细解析】
比较好的综述：
1、RCNN,Fast RCNN,Faster RCNN 总结
2、重磅|基于深度学习的目标检测综述(一）