文章主要提出了一种简单的可缩放的识别算法，在VOC 2012上达到了53.3%的mAP( mean average precision)，相较于前面的最好结果30%有很大的提升。
主要集中在解决两个问题：
使用深度神经网络定位物体&&使用少量的标签数据训练模型
1. 定位问题有两种解决办法，一是将其当做回归问题来进行定位；二是建立滑动窗口进行定位（采用了第二种）
2. 小样本的问题通过非监督预训练，监督式微调的方式解决
RCNN主要结构是利用seletive search方法从中提取出候选框，采用CNN提取特征向量，再使用SVM进行分类。如下图所示
Object proposal transformations
为了使输入的包含物体的图像能作为CNN的有效输入，需要对其进行一定的缩放。这里提出了三种方法。
- tightest square with context
使用原图像的相关内容进行缩放 - tightest square without context
直接填充图像边界 - warp
各向异性地直接缩放原图像至CNN输入的大小
IOU
IOU是用于评价定位精度的指标，也就是
Non-maximum Suppression
非极大值抑制主要用来寻找检测物体的最佳位置，由于使用滑动窗口会导致有同一个物体有多个框，NMS就是用来选择出最佳的那个框。