大致原理：在一个图片上划分一些区域作为候选框，然后把他们缩放成一样的227*227的正方形，然后经过卷积神经网络，得到特征图，然后利用支持向量机判断类别和bbox做回归。
流程如上图所示。
可以对一些流程进行一些改进。
先是根据初始图片对明显边界进行划分区域，然后根据颜色纹理大小形状进行区域合并。
初始的区域可以划分为很多，然后后续慢慢合并，划分的候选框就变少了。绿色的框表示真实的框，初始划分的候选框里总会有真实的框。
缩放为227*227的大小。可以看到这里面有3种缩放方式。
2000*4096的矩阵，其中每一行对应一个候选区域的特征向量。
最右边2000*20的第一行第一列是第一个候选框是猫的概率，第二行第一列是第二个候选框是猫的概率，后续进行非极大值抑制。
a交b除以a并b。大致意思就是找到一个得分最高的候选框，然后把其他与这个候选框重叠很多的候选框删除。对每一列进行非极大值抑制处理。
最后得到一个特征图，然后选取其中一个值，这个值对应一个候选框，然后看这个候选框，怎么会使这个值最大。
这些就是使一个值最大后得到的候选框。比如说第一个是提取人的特征。
bbox回归，会得到偏移量，然后将偏移量用于原候选框，得到predicted预测框。
在测试阶段，黄的部分是回归器输出的值，然后根据紫色的候选框参数，得到预测框的各个参数了。在训练阶段，利用人为标注的框和候选框参数可以得到回归标注（真实），然后黄色部分是由特征图经过回归得到的，求它们的损失值，使之最小，从而训练w。（让黄色去拟合蓝色） 通过回归器，可以使后续定位更加准确，减少初始的候选框定位错误。（因为正确的框使人为框的，里面有物体，然后候选框是随机弄的）。