Step1：原始圖像的預(yù)處理

利用selective search對原始圖像取得2000個目標候選區(qū)域，得到的候選區(qū)大小不一，因網(wǎng)絡(luò)最后有全連接層的存在，故需將尺度進行縮放，此處縮放至（227*227）【方式：將原來每個區(qū)域向外擴展16個像素，然后再進行縮放；原因：使每個區(qū)域都能包含一些背景信息，可提供先驗信息】？？先驗信息的作用

Step2：利用模型對每個區(qū)域提取特征

利用在ImageNet上訓(xùn)練好的AlexNet除去1000-softmax層（5層CNN+fc6+fc7)，換成（N+1）-SVMs,進行精調(diào)（？？調(diào)的是哪一層還是整個網(wǎng)絡(luò)），【將softmax換成svm的原因：softmax中的背景樣本是共享的，而SVM的背景樣本是獨立的，更加嚴格，能帶來更好的分類效果？？？】此時正負樣本的確定依據(jù)是IoU<0.5為負樣本。并且將學(xué)習(xí)率設(shè)置成原模型中學(xué)習(xí)率的1/10（？？目的是為了既能學(xué)到新東西但不會完全否定舊的東西，是指精調(diào)還是指學(xué)習(xí)率的設(shè)置），batch的大小為128，其中正負樣本的比例為1:3

Step3:對SVMs進行訓(xùn)練

此時正負樣本的定義與Step2中的定義不同，取IoU<0.3的為負樣本，至于如何得到的這些參數(shù)取值，則是通過實驗嘗試。

**分別將pool5，fc6，fc7得到的特征用于SVM進行分類，其得到的分類結(jié)果近似，作者得出的結(jié)論是:CNN的特征表達能力大部分集中在卷積層。

**pool5經(jīng)過精調(diào)之后，mAP值提高不明顯，由此得出結(jié)論：卷積層提取出來的特征時具有普遍性的，（即提取到的是一般性的特征？？）；而fc7經(jīng)過精調(diào)后，結(jié)果得到很大的提升，由此得到結(jié)論：精調(diào)的效果主要是在全連接層上。

Step4：測試

對于一張圖片，進行與訓(xùn)練時相同的數(shù)據(jù)預(yù)處理操作，然后對2000個區(qū)域均進行分類，得到其所屬的類別，然后對同類別的候選區(qū)進行非極大值抑制對候選區(qū)進行篩選得到檢測目標。最后再進行Boundary-box regression（即：對矩形框的四個值（x，y，width，height）進行回歸）對篩選出的區(qū)域進一步進行物體的定位，使得mAP有所提高。【因為在對圖片進行預(yù)處理時，是擴展了16個像素后再進行的縮放，也就是得到的bounding-box是偏大的】

Ending：

基于區(qū)域進行卷積提取特征，然后將多目標檢測問題轉(zhuǎn)換成多分類問題，利用卷積網(wǎng)絡(luò)提取到的特征訓(xùn)練分類器其效果比原始的特征提取方法效果更好。

不足：但是，因為對每張圖都會得到2000個候選區(qū)，其計算量很大，不利于實時操作。