Test过程:
1. 用selective search方法提取图片的2000个proposal，并保存到文件
2. 将图片输入到已经训好的CNN 网络，在ROI pooling Layer的地方，对每一个proposal，提取到其对应的ROI
3. 对每一个ROI, 将其划分成固定大小的网格，并且在每一个小网格中，对该网格中所有的值取最大，得到固定大小的feture map，并将其输入到后续的fc层，最后一层输出201类别相关信息和4个boundinf box的修正偏移量
4. 对bounding box 按照上述得到的位置偏移量进行修正，再根据nms对所有的proposal进行筛选，即可得到对该张图片的bounding box预测值以及每个bounding box对应的类和score
Training过程:
1. 对训练集中所有的图片，用selective search提取出各图片对应的2000个proposal，并保存。（图片路径+bounding box信息）
2. 对每张图片，根据图片中bounding box的ground truth信息，给该图片的2000个proposal赋类标签，并保存。（这2000个proposal，如果跟ground truth中的proposal的IoU值超过了阈值（IOU>=0.5），则把ground truth中的proposal对应的类标签赋给原始产生的这个proposal，其余的proposal(IOU [0.1, 0.5))都标为background）
3. 使用mini-batch=128，25%来自有非背景标签的proposal，其余来自标记为背景的proposal（最开始的理解：具体在这个过程中，mini-batch有两个层次，一个是对于同一张图片，64个proposal组成的mini-batch，另一个是完成单张图片的导数计算后，两张图片是一个mini-batch，更新的时候对两张图片求得的值取平均来更新权重），其实，就是ROI pooling layer以前，batch size=2，ROI pooling layer之后，batch size=128
4. 训练CNN，最后一层的结果包含类信息和位置修正信息，所以用多任务的loss，一个是分类的损失函数，一个是位置的损失函数
补充：
1. mini-batch的问题：ROI pooling layer前后，batch size发生了变化
2. 为什么一开始要resize到一个确定的值：为了控制显存，防止在训练过程中，因为某张图片特别大导致显存不够，程序崩了
3. 为什么比R-CNN快？（1）避免了overlap部分的多次重复计算，虽然引入了一些bounding box之外的计算。Fast R-CNN是在一张图上做的，如果图片很大，proposal很小，而且少，极少有overlap，那么R-CNN更快。（2）另一方面，R-CNN在SVM之前，需要把所有的图片再跑一次得到fc7 feature，而Fast R-CNN不需要。
