R-CNN的主要贡献是将卷积神经网络应用于分类中。R-CNN的核心思想是使用分类网络来得到有可能是目标的若干图像（）区域,然后把这些区域分别输入到CNN中,得到区域的特征,再在特征上加上分类器,判断特征对应的区域是属于具体某类目标还是背景。

考查要点：本题主要考查对R-CNN算法核心思想的理解，重点在于区分目标检测与分类的关键步骤，以及R-CNN中“候选区域”的生成与后续处理流程。

解题思路：

1. 关键概念辨析：明确R-CNN的应用领域是目标检测而非分类，需注意题目中易混淆的表述。
2. 核心流程拆解：R-CNN通过选择性搜索生成候选区域，再利用CNN提取特征，最后通过分类器完成目标判断。
3. 术语准确性：需补充“候选区域”这一关键术语，体现算法中区域筛选的科学性。

R-CNN的完整工作流程包含以下三个关键步骤：

1. 候选区域生成

通过选择性搜索等方法，在图像中生成若干可能包含目标的候选区域。这些区域基于颜色、纹理等特征，减少后续计算的冗余。

2. 特征提取

将每个候选区域输入预训练的卷积神经网络（CNN），提取高维特征向量。CNN通过多层非线性变换，将图像像素映射为语义特征。

3. 目标分类

在提取的特征上添加SVM分类器，判断候选区域属于具体目标类别（如“行人”）还是背景。分类器通过训练数据微调，提升检测精度。