R-CNN（2014）

哈哈
创新：
(1)人们可以将高容量卷积神经网络(cnn)应用于自下而上的区域建议，以定位和分割对象;
(2)当标记训练数据稀缺时，对辅助任务进行监督预训练，然后进行特定领域的微调，可以显著提高性能
解决了：CNN定位问题和标记数据稀缺不足以训练大型CNN的问题
证明了：简单的边界盒回归方法可以有效地减少错误定位，而错误定位是主要的误差模式

(1)获取输入图像，(2)提取大约2000个自下而上的区域建议，(3)使用大型卷积神经网络(CNN)计算每个建议的特征，然后(4)使用特定类别的线性支持向量机对每个区域进行分类

Conclusion

我们最后指出，通过使用计算机视觉和深度学习的经典工具(自下而上的区域建议和卷积神经网络)的组合，我们取得了这些结果，这一点很重要，这两者并不是对立的科学探索路线，而是自然而不可避免的合作伙伴

SPP-net（2015）

提出一种新的结构SPP-net，解决了CNN需要固定大小的输入图像问题