R-CNN全称为Region-CNN，它可以说是第一个成功地将深度学习应用到目标检测上的算法。后面提到的Fast R-CNN、Faster R-CNN全部都是建立在R-CNN的基础上的。
传统目标检测流程：
（1）区域选择（穷举策略：采用滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间复杂度高）
（2）特征提取（SIFT、HOG等；形态多样性、光照变换多样性、背景多样性使得特征鲁棒性差）
（3）分类器分类（SVM、Adaboost）
一、RCNN思路（Selective Search + CNN + SVM）
R-CNN遵循传统目标检测的思路，同样采用，对每个框提取特征、图像分类、非极大值抑制四个步骤进行目标检测，只不过进行了部分的改进。
- 经典的目标检测算法使用滑动窗法去依次判断所有可能的区域。而这里预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断，大大减少了计算量
- 将传统的特征（如SIFT，HOG特征等）换成了深度卷积网络提取特征
&创新点
1. 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力
2. 采用大样本下有监督预训练+小样本微调的方式解决小样本难以训练甚至过拟合等问题
二、算法步骤
数据集采用pascal VOC，这个数据集的object一共有20个类别。首先用selective search方法在每张图像上选取约2000个region proposal，region proposal就是object有可能出现的位置。然后根据这些region proposal构造训练和测试样本，注意这些region proposal的大小不一，另外样本的类别是21个（包括了背景）
简要步骤如下：
（1）输入测试图像，利用选择性搜索selective search在图像中从下到上提取2000个左右的可能包含物体的候选区域Region Proposal
（2）先在每个建议框周围加上16个像素值为建议框像素平均值的边框，在直接变形为227x227的大小（Alexnet的尺寸）
（3）先将所有建议框像素减去该建议框像素平均值，将每个227x227输入Alexnet CNN网络获取4096维特征。2000个建议框的CNN特征组合成2000x4096维矩阵
（4）将2000x4096维特征与20个SVM组成权值矩阵4096x2000相乘（20种分类，SVM是二分类器，则有20个SVM），获得2000x20维矩阵表示每个建议框是某个物体类别的得分
（5）对上述2000x20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框
（6）分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的bounding box
具体步骤如下：
步骤一：下载一个分类模型（Alexnet）
步骤二：对该模型做fine-tuning
• 将分类数从1000改为21，比如20种物体 + 1个背景
• 去掉最后一个全连接层
步骤三：特征提取
• 提取图像的所有候选框（选择性搜索Selective Search）
• 对于每一个区域：修正区域大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（对候选框提取到的特征）存到硬盘
步骤四：训练一个SVM分类器（二分类）来判断这个候选框里物体的类别
每个类别对应一个SVM，判断是不是属于这个类别，是就是positive，反之nagative。
比如下图，就是狗分类的SVM
步骤五：使用回归器精细修正候选框位置：对每一个类，训练一个线性回归模型去判定这个框是否框的完美
&缺点
R-CNN第一步对原始图片通过Selective Search提取的候选框region proposal多大2000个左右，而这2000个候选框每个框度需要进行CNN提取特征 + SVM分类，计算量很大，导致R-CNN检测速度很慢，一张图都要47s
参考地址：
https://cloud.tencent.com/developer/news/281788