[CLS 02 · 从类别到区域与掩码](/course/notebooks/f9ab632ba16b4f2084669791cba6ba85.html)

# R-CNN 把可能含有对象的区域提出来，将每个区域变成网络可以处理的输入，再抽取特征、分类与修正框
[独立阅读](/course/notebook-blocks/baa2d848a3684e9fa7adcc551b6b653f.html)
主线阅读与优先实验

同图四输出、共享计算、FCN、RoIAlign、信息碰撞与SAM接口

R-CNN 把可能含有对象的区域提出来，将每个区域变成网络可以处理的输入，再抽取特征、分类与修正框。预训练来自有监督图像分类，然后用检测数据适配。[R-CNN](https://arxiv.org/abs/1311.2524)

用手沿图中的杯子画三个重叠候选框。它们包含了许多相同像素；如果每个候选都单独跑一遍卷积，就重复计算了共有的杯身和桌面。框越多，重复越明显。

这一步的关键不是“发现了更多模型”，而是发现计算可以复用：**能否先对整张图计算一次，再从共享特征图上读取每个区域？** 框的位置仍必须传给区域读取环节，整图共享并不等于所有对象混成一个向量。