그림 5-10의 수식과 같은 방식으로 두 영역이 얼마나 겹쳤는지를 수치화할 수 있습니다. 이러한 기술적 접근법을 통해 R-CNN은 이미지 내의 객체를 더욱 정확하게 감지하고 위치를 지정하는 데 큰 도움이 되었습니다. NMS의 도입은 R-CNN이 중복 검출을 효과적으로 제거하면서도 높은 정확도를 유지할 수 있게 만들었습니다. 이런 혁신적인 접근법은 R-CNN을 객체 탐지 분야의 핵심 알고리즘으로 자리매김시키며, 이를 바탕으로 많은 후속 연구가 진행되었습니다.

R-CNN은 혁신적인 객체 탐지 알고리즘이었으며, 그 기초 위에 많은 다른 연구가 진행되었습니다. 선택적 검색, 합성곱 신경망을 통한 특징 추출, SVM 분류, 바운딩 박스 회귀의 조합은 이미지 내의 객체를 정확하게 식별하고 위치를 지정하는 데 많은 도움이 되었습니다. 물론 R-CNN 역시 처리 속도의 문제와 복잡성 등 몇 가지 한계점도 가지고 있었지만, 그럼에도 불구하고 이러한 아이디어들은 딥러닝 기반의 객체 탐지 분야의 발전에 크게 기여하였습니다. 특히 R-CNN은 딥러닝과 전통적인 이미지 처리 기술을 성공적으로 결합하여 객체 탐지의 새로운 장을 열었습니다. 이후의 발전된 모델들도 R-CNN의 핵심 아이디어 위에 구축되며, 계속해서 이 분야는 발전해나갔습니다. R-CNN은 딥러닝 기반 객체 탐지의 역사에서 중요한 위치를 차지하며, 이를 통해 얼마나 효과적인 접근법이 나타나게 되었는지를 증명했습니다.