RCNN（Regions with CNN features）将CNN方法应用到目标检测问题上。 算法步骤： 1. 候选区域选择 对每张输入图片使用一个基于规则的“SelectiveSearch”算法来选取多个提议区域。Region Proposal是一类传统的区域提取方法，可以看作不同宽高的滑动窗口，通过窗口滑动获得潜在的目标图像。 2.CNN特征提取 跟微调迁移学习里那样，选取一个预先训练好的卷积神经网络并去掉最后一个输入层。每个区域被调整成这个网络要求的输入大小并计算输出。这个输出将作为这个区域的特征。 3.分类 使用这些区域特征来训练多个SVM来做物体识别，每个SVM预测一个区域是不是包含某个物体 4.边界回归 使用这些区域特征来训练线性回归器将提议区域 算法缺点： 1.多个候选区域对应的图像需要预先提取，占用较大的磁盘空间； 2.针对传统CNN需要固定尺寸的输入图像，crop/warp（归一化）产生物体截断或拉伸，会导致输入CNN的信息丢失； 3.每一个ProposalRegion都需要进入CNN网络计算，上千个Region存在大量的范围重叠，重复的特征提取带来巨大的计算浪费。
