RCNN 将深度学习引入检测领域，一举将PASCAL VOC上的检测率从35.1%提升到53.7%。

将候选区域( region proposal )和卷积神经网络(CNN)结合在一起，我们称我们的方法叫 R-CNN ：带有 CNN 特征的区域( Region with CNN features )。该方法结合了两个关键的要素：(1) 将高容量的卷积神经网络( CNN )应用到自下而上的候选区域方法中，来定位和分割对象；(2)当标记的训练数据稀缺时，对于一个辅助任务来说，使用一个有监督的预训练好的模型，加上在特定域上进行微调后，会产生一个显著的性能提高。

与图像分类不同，检测需要在图像中定位（可能有许多）目标。通过在”使用区域识别“范式中进行计算来解决 CNN 定位问题，其已经成功应用于目标检测和语义分割。在测试时，方法为输入图像生成大约 2000 个类别无关的候选区域，使用 CNN 从每个候选区提取固定长度的特征向量，然后使用特定类别的线性 SVM 对每个进行区域进行分类。并使用一种简单技术（仿射图像扭曲- affine image warping ）来对每一个候选区域计算一个固定大小的 CNN 的输入，而不虑区域的形状。图1给出了该方法的概述，并突出了一些结果。由于系统将候选区域和 CNN 结合在一起，故将方法缩写成 R-CNN ：带有 CNN 特征的区域（ Region withCNN features ）。

图1：目标检测系统概述

步骤：

1) 接收一个输入图像

2)  抽取大约2000个从下到上的候选区域

3)  对于每一个大的候选区域使用一个大的CNN计算特征

4)  使用特定类的线性SVM对每一个区域进行分类

候选区域生成