历史上 R-CNN 将监督分类预训练用于区域检测，支持了“先学表示，再适配新任务”的正面判断。按区域提取特征、学习前景/背景和位置修正三个动作都需要具体输入。它不是 MoCo 或 MAE 的历史后继。
同一场景的候选框、红杯裁剪、ImageNet 预训练 CNN 与区域类别和框修正。
R-CNN 的重要启发，是把分类预训练得到的视觉计算用于检测。先提出一批可能包含物体的区域，把区域裁出来，送进网络，再判断类别和位置。 这里迁移的是视觉网络及其参数，不是 ImageNet 原来的答案列表。它还要面向检测作适配，学习前景、背景以及定位任务。这个结果让“在大数据上先学，再用到别的任务”成为很具体的做法。 原始 R-CNN 是 Ross Girshick、Jeff Donahue、Trevor Darrell 和 Jitendra Malik 的工作。今天我们从自监督接到它，是在整理表示与任务的关系；它本来的重要背景是分类预训练，不要把历史改写成它先使用了 MoCo 或 MAE。
R-CNN 先产生可能包含对象的区域，将每个区域变换为 CNN 接受的图像大小，再用 CNN 特征作区域分类与框修正。分类预训练提供的是卷积网络的参数；检测适配需要新的区域样本、前景/背景关系和位置目标。原始实现包含多个训练阶段，因此课堂画面中简洁的两项输出，不应被误读成原论文从一开始就是一个统一损失的端到端系统。
为什么把区域当作一张小图很有力量？因为原来“整图里有什么”的视觉计算，现在可在许多局部窗口上复用。杯子只占整图一小部分时，候选区域让它占据输入的大部分，分类网络就能在更合适的尺度查看它。代价是裁剪、缩放与逐区域计算；区域边缘的上下文也会改变。
原论文摘要报告 VOC 2012 检测 mAP 为 53.3%，相对之前最好结果提高超过 30%。这个同期结果支持“分类预训练与检测适配能够产生有竞争力的检测器”，不是自监督预训练的实验。作者是 Girshick、Donahue、Darrell、Malik；此处从 MoCo/MAE 接到 R-CNN，是课程按问题重组，不能反写历史先后。
以下是备课用的模拟师生对话，不是课堂实录。
学生：这里为什么又用了有标签的预训练？
教师：可迁移不是自监督专属。我们比较了学习信号，现在看已成立的监督迁移案例；逻辑连接不要求伪造历史先后。
沿 CLS07 的公式定位疑问，再选 LAB09 解析练习或 LAB10 完整训练。
原始 R-CNN 使用监督分类预训练，并进行检测适配；不将教学叙述顺序误写成自监督方法的历史后继。此图省略原始多阶段训练实现。