改写：第一步：用ImageNet模型初始化独立训练一个RPN网络；第二步：仍然用ImageNet模型初始化但是使用上一步RPN网络产生的proposal作为输入训练一个Fast-RCNN网络至此两个网络每一层的参数完全不共享；第三步：使用第二步的Fast-RCNN网络参数初始化一个新的RPN网络但是把RPN、Fast-RCNN共享的那些卷积层的learning rate设置为0也就是不更新仅仅更新

第一步：使用ImageNet模型初始化RPN网络进行独立训练； 第二步：使用ImageNet模型初始化Fast-RCNN网络，利用上一步训练好的RPN网络产生的proposal作为输入，进行训练。两个网络的每一层参数都是独立的； 第三步：使用第二步训练好的Fast-RCNN网络参数初始化一个新的RPN网络，但是将RPN和Fast-RCNN共享的卷积层的学习率设置为0，只更新RPN特有的网络层，重新训练。此时，两个网络共享了所有公共的卷积层； 第四步：固定共享的卷积层，将Fast-RCNN特有的网络层加入到网络中，形成一个统一的网络，继续训练并微调Fast-RCNN特有的网络层。此时，网络能够内部预测proposal并实现检测的功能，达到了我们的目标。