paper链接：https://arxiv.org/pdf/1311.2524.pdf

code链接：http://www.cs.berkeley.edu/~rbg/rcnn

本文是2014年CVPR上发表的第一篇将深度学习应用到目标检测上的算法。

---

Introduction

对于计算机视觉来说，分层、多阶段的过程对识别其中的特征更有帮助。

 算法大致思路步骤：

1. 输出图像；

2. 提取大约2000个自下而上的建议区域；

3. 使用大型卷积神经网络(CNN)计算每个建议的特征；

4. 使用特定类别的线性支持向量机对每个区域进行分类。

反向传播的随机梯度下降对于训练卷积神经网络(CNNs)是有效的。

使用深度神经网络定位对象，并使用少量带注释的检测数据训练高容量模型。

检测需要在图像中定位（可能定位很多对象），其一是将之看做回归问题，效果不是很好（YOLO中也将之看做回归问题，确实精度不如Fast R-CNN等算法，但是提升了速度，降低了复杂性），其二就是建立滑动窗口检测器（如检测行人和人脸），这些CNNs只有2个卷积层和池化层。作者提出考虑滑动窗口方法，搭建具有5个卷积层的高层网络。（OverFeat也使用CNN进行目标检测，R-CNN的mAP高于OverFeat）

论文中阐述R-CNN面临两个挑战：

1. 在使用滑动窗口方法时，网络具有5个卷积层的高层单元在输入图像中具有很大的感受野和步幅，影响了精确定位；
2. 标记数据的稀缺。

解决方案：

1. 使用“识别使用区域”的方法，；
2.