Alex-Net网络在基本结构方面与十几年前的LeNet几乎毫无差异，但由于数据和硬件设备（尤其是GPU）翻天覆地的发展，才使得深度神经网络不再是“晚会的戏法”，真正变成了切实落地可行的工具和应用手段。由于Alex-Net的出现，世人的目光重回神经网络。
图 Alex-Net网络结构
Alex-Net网络含有5个卷积层，2个全连接层。R-CNN（Regions with CNN features）作者受到Alex-Net的启发，尝试将Alex-Net在ImageNet数据集上的目标识别的能力泛化到PASCAL VOC数据集上来做目标检测（现在称为迁移学习）。
R-CNN要解决的两个问题
1.如何利用卷积网络进行目标定位；
2.如何在小数据集上训练出性能良好的网络模型。
图 R-CNN 目标检测流程
R-CNN训练流程
1.Alex-net网络使用ImageNet数据集进行pre-train（“图像分类”）；
2.使用SS提取的候选区域进行fine-tune（“目标检测”）。
R-CNN目标检测流程
1.读取一张输入图像；
2.使用SS(Selective Search)提取约2000个自下而上（从细节到整体）的候选区域（Region Proposals）；
3.将候选区域（需要缩放至227x227，使其兼容Alex-Net）分别输入Alex-net网络，将Alex-net的fc7层输出作为特征；
4.将fc7层的输出输入SVM中进行分类，针对不同种类集合使用NMS（非极大性抑制）进行处理。
最后为了提升目标定位的准确性，R-CNN作者又训练了一个线性的回归模型，这个模型能够针对候选区域的pool5数据进行预测，得到一个更加准确的Box位置（详细介绍请参考我的另一篇文章）。
更加详细的内容请参考作者论文：Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5)
总结
现在来看R-CNN虽然有着各种各样的缺点，但却是第一个成功地将深度学习应用到目标检测的算法。