Test的過(guò)程：
1. 對(duì)給定的一張圖片，通過(guò)Selective Search得到2000個(gè)Proposals
2. 每一個(gè)Proposal都經(jīng)過(guò)已經(jīng)訓(xùn)練好的CNN網(wǎng)絡(luò)， 得到fc7層的features,4096-dimension，即2000*4096
3. 用SVM分類器(4096*K)得到相應(yīng)的score，即2000*K
4. 用CNN中pool5的特征，利用已經(jīng)訓(xùn)練好的權(quán)值，得到bounding box的修正值，原先的proposal經(jīng)過(guò)修正得到新的proposal的位置
5. 對(duì)每一類別的scores，進(jìn)行non-maximum suppression。具體來(lái)講，對(duì)于2000*K中的每一列，進(jìn)行nms。對(duì)于特定的這一列（這一類），選取值最大的對(duì)應(yīng)的proposal，計(jì)算其他proposal跟此proposal的IOU，剔除那些重合很多的proposal。再?gòu)氖Ｏ碌膒roposal里選取值最大的，然后再進(jìn)行剔除，如此反復(fù)進(jìn)行，直到?jīng)]有剩下的proposal。K列（K類）都進(jìn)行這樣的操作，即可得到最終的bounding box和每一個(gè)bounding box對(duì)應(yīng)的類別及其score值。
Training的過(guò)程：
1. 對(duì)訓(xùn)練集中所有的圖片，用selective search提取出各圖片對(duì)應(yīng)的2000個(gè)proposal，并保存。（圖片路徑+bounding box信息）
2. 對(duì)每張圖片，根據(jù)圖片中bounding box的ground truth信息，給該圖片的2000個(gè)proposal賦類標(biāo)簽，并保存。（這2000個(gè)proposal，如果跟ground truth中的proposal的IoU值超過(guò)了閾值，則把ground truth中的proposal對(duì)應(yīng)的類標(biāo)簽賦給原始產(chǎn)生的這個(gè)proposal，其余的proposal都標(biāo)為background）
3. 根據(jù)2中得到的文件，每次隨機(jī)取batch，32 positive windows and 96 background windows，來(lái)訓(xùn)練一個(gè)在ImageNet上訓(xùn)好的模型，每一個(gè)proposal輸入CNN，對(duì)應(yīng)的類標(biāo)簽，來(lái)訓(xùn)練這201類的classification網(wǎng)絡(luò)，訓(xùn)練好后，對(duì)所有的proposal,forward一遍來(lái)得到fc7 feature，保存最終的fc7特征及對(duì)應(yīng)的proposal信息到文件中
4. 訓(xùn)練SVM分類器。對(duì)某一個(gè)特定的類，把跟屬于這個(gè)類的ground truth的bounding box的IoU大于閾值的原始提取的proposal標(biāo)為正樣本，其余標(biāo)為負(fù)樣本，得到新的一個(gè)文件（加上之前得到的fc7特征信息）。用這個(gè)文件去訓(xùn)練這一個(gè)類的SVM。同樣的方法，循環(huán)訓(xùn)好其他類別的分類器。
5. 用CNN得到的pool5的特征和bounding box的ground truth來(lái)訓(xùn)練bounding box regression，只對(duì)那些跟ground truth的IoU超過(guò)某個(gè)閾值的proposal進(jìn)行訓(xùn)練，其余的不參與。
補(bǔ)充：
1. 在把proposal丟進(jìn)CNN之前，需要把proposal處理成固定的一個(gè)大小，paper里提到“Prior to warping, dilate the tight bounding box, make p pixels around the original”，這個(gè)是什么意思？
比例=proposal的w/227-2p，把原圖按此比例進(jìn)行變換，以proposal的中心為中心，截取227大小的圖作為輸入，進(jìn)入CNN
2. Detection中，mAP是怎么計(jì)算的？
對(duì)于每一個(gè)類，設(shè)置一個(gè)閾值，score大于此值的為正，否則為負(fù)，與ground truth相比，得到屬于次此類別且score大于閾值的proposal，屬于此類別但score不大于閾值的proposal，得到不屬于此類別但score大于閾值的proposal，不屬于此類別但score不大于閾值的proposal。由此計(jì)算，precision, recall。通過(guò)改變閾值，得到不同組對(duì)應(yīng)的recall和precision。畫(huà)曲線即可得到AP。
得到每一個(gè)類別對(duì)應(yīng)的AP后，取平均值得到mAP。
recall = 屬于次此類別且score大于閾值的proposal/(屬于此類別且score大于閾值的proposal+屬于此類別但score不大于閾值的proposal
precision = 屬于次此類別且score大于閾值的proposal/(屬于此類別且score大于閾值的proposal+不屬于此類別但score大于閾值的proposal
