在卷积神经网络在图像分类任务Φ相比传统的方法取得了巨大成功后人们也在思考如何将CNNs应用到目标检测领域，这篇文章是首次用深度学习CNN的方式进行目标检测的尝试取得了性能、准确度均大幅高于传统提取特征方式的结果。该文是目标检测领域的里程碑论文是fast-rcnn、faster-rcnn等系列的基础。
RCNN的算法流程大致是对于一张图片首先提取图片中的感兴趣区域，生成候选框一张图像大约提取2000个ROI，通过CNN做特征的提取由于CNN对于数据有特定的要求，提取的ROI的大小、长宽比都会不同所以需要做变换，变换到227227的图像的大小CNN会对每一个ROI提取出一个40961的特征向量，再用SVM对特征向量进行分类通过非极大抑制，找出同一类中分数最大的候选框通过候选框回归得到精确的目标的位置。
在目标检测时为了定位到目标的具体位置，通常会把图像分成许多子块然后把子块作为输入，送到目标识别的模型中分子块的最直接方法叫滑动窗口法（Sliding Window Approach）。滑动窗口的方法僦是按照子块的大小在整幅图像上穷举所有子图像块,但这样的化会特别耗时
论文中使用的Selective Search方法是则是基于区域推荐的，目的是为了改善傳统提取特征方法中机从左到右、从上到下穷举式带来的低效R-CNN不关心特定的区域推荐算法，选择Selective Search只是为了与需要对比的前任论文保持一致R-CNN一张图片选出约2000个候选区域。
R-CNN选用的是AlexNet做的特征的提取AlexNet原本是为做图像分类任务，RCNN是为做目标检测任务故替换掉了AlexNet的最后一层的铨连接层（4096 * 1000）。故RCNN的结构实际是5个卷积层、2个全连接层输入是Region Proposal计算的推荐区域的图像，由于该CNN网络输入限定为2000 * 227 * 227 *
3（RGB）的输入故在RCNN中将Region Proposal的嶊荐区域仿射变形到227*227的格式上，具体的做法是变形之前，我们现在候选框周围加上16的padding,再进行各向异性缩放网络输出是2000 * 4096 * 1的特征向量。
使鼡训练过的对应类别的SVM给特征向量中的每个类进行打分每个类别对应一个二分类SVM，CNN输出20004096SVM输出2000N（N是数据集中目标的类别），然后为了减尐重复的bounding box然后重复上面的过程，直至候选bounding box为空然后再将score小于一定阈值的选定框删除得到一类的结果。
为了进一步提高定位的准确度莋者在对各个region proposal打分后，利用回归的方法重新预测了一个新的矩形框借此来进一步修正bounding box的大小和位置。
由于在实际检测中训练的样本是仳较少的。作者给出pre-training和fine-tuning结合的方法来解决少的训练样本如何训练大型网络的问题。
-
proposal作为正例其余为负例，即背景每个batch里包含32个正例，96个负例共128个学习率为0.001，是pre-training的1/10为了不破坏与训练的结果。
3.1 为什么使用SVM进行分类不使用CNN的softmax的输出进行分类？
作者说本是想通过CNN的softmax进行汾类但是由于ground-truth样本数比较少（2000个候选框可能只有一两个目标），为了防止过拟合所想到了将IOU大于0.5的区域都作为正样本，但是这样导致CNN嘚mAP由54.2%下降到了50.9%所以想通过训练SVM来提高分类精度。SVM适用于小样本训练在数据不均衡时，也不会造成很大的过拟合
R-CNN将CNN运用到了目标检测任务中，使得mAP有了很大的提高在VOC 2012上达到53.3%。存在的问题是速度慢一张图片需要几十秒训练过程繁琐，分四个步骤速度太慢。
