最近在学习RCNN，对于Bounding-Box（BB）regression能够提高边界框的精确度，对于其内容产生了很大兴趣。
主要内容学习自大神博客：https://blog.csdn.net/bixiwen_liu/article/details/53840913 侵删
这张图很有代表性，红色region proposal为ss算法产生的候选区域，绿色的ground truth为真实边框。即便红色边框圈出了飞机，但是因为iou<0.5被认为是没有检测出飞机，如果我们能够对region proposl进行微调，使得该窗口与ground truth更为接近，这样定位就会变得准确。
首先不想其他的，如果是我们自己来做，怎么让红框更趋向于绿框，能想到比较简单的办法就是把红框进行拉伸或缩小然后平移呗，这是很自然而然能够想到的。
其实论文也基本上是这么实现的：
注意：只有当Proposal 和Ground Truth 比较接近时（线性问题），我们才能将其作为训练样本训练我们的线性回归模型，否则会导致训练的回归模型不work（当Proposal跟GT 离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）。这个也是G-CNN: an Iterative Grid Based Object Detector 多次迭代实现目标准确定位的关键.
原文：https://www.cnblogs.com/smartwhite/p/8780389.html