通俗的理解，Region Proposal与Ground Truth之间总会存在误差，因此需要对Region Proposal进行微调，而BoundingBox回归就是用来微调这个窗口的。
Bounding Box
对于一个窗口，一般使用四维向量(x,y,w,h)来表示，分别表示窗口的中心点坐标以及宽高。如下图所示，P代表原始的Proposal，G代表Ground Truth，我们的目标是寻找一种关系使得P经过映射得到一个与G更接近的回归窗口。
BoundingBox回归的目的：给定，寻找一种映射
，使得
，并且
具体实现
由P变为 ，基本思路是：平移+尺度缩放。
1.先做平移，
，
，则：
，
2.再做尺度缩放，
，
，则：
，
线性回归就是给定输入的特征向量X，学习一组参数W，使得经过线性回归后的值跟真实值Y非常接近。
我们的目标是要学习得到，因为有了这四个变换值，我们就可以直接得到输出值
。为了能够学习这四个值，我们应该有四个标签数据，即G与P之间的变换系数，记G与P之间的平移量为
,尺度缩放为
。即：
那么，目标函数可以表示为，
是输入Proposal的特征向量，
是要学习的参数(*表示x,y,w,h，即每一个变换对应一个目标函数)。
是得到的预测值，我们想让预测值与真实值
的差距尽量小，则可以用均方差作为Loss函数。
