RCNN算法
其实RCNN的算法思想依旧是没能抛弃传统检测方法的思想，把检测问题看作为一个特征分类的问题来看待和解决，于是也便诞生了Two-Stage方法，即先提取图像的候选框，然后对候选框内的特征进行提取和分类。
算法具体步骤：
1、候选框生成：
采用Region Proposal来提取图像中的候选框（Selective Search算法），先将图像分割为很小的区域，然后合并包含同一个物体可能性高的区域，进而输出，RCNN的这个过程大概会产生2000个候选框。
在提取完候选框后还需要对每一块区域进行归一化处理，得到固定大小的图像，以供后续CNN网络的输入统一。
2、CNN提取特征：
将第一步归一化后的大小一样的图像送入CNN网络，得到固定维度的特征输出。
3、SVM分类：
使用线性二分类器对输出的特征进行分类，得到是否属于此类的结果，并采用难样本挖掘来平衡正负样本的不平衡问题；
4、位置精修：
通过一个回归器，对特征进行边界回归以得到更为精准的目标区域。
存在的问题
1、RCNN训练比较繁琐，训练时间比较久；
2、由于设计分类网络的FC网络，因此CNN的输入必须保持尺寸的统一，这样对于大多数的区域目标来说，可能都会出现畸变，进而导致精度降低；
3、候选区域需要提前保存以供CNN网络使用，占用资源较大。
