Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-Net)解读

论文发表在ECCV2014

作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun

Introduction

CNN 在视觉领域虽然取得了很大的成就，但是一直存在一个技术问题是CNN都需要一个固定的图片大小，比如224*224，这限制了输入图像的大小和比例。现在的方法主要是通过crop/warp来满足对图像大小的要求，问题在于最后的图片可能产生了我们并不希望有的几何形变，识别率也会因为内容的丢失和形变而受到影响。如图：

那为什么需要一个固定的大小呢？CNN主要由CONV层和FC层组成。而CONV层是通过滑动窗口的形式来进行feature map, 对图像大小并没有要求；但是FC层需要有一个固定的输入，因此限制来自于FC层。SPP就是为解决这个问题而诞生的。