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。

Deep Networks with Spatial Pyramid Pooling

SPP( Spatial pyramid pooling)其实是BOW(Bag-of-Words)模型的扩展，多CNN来说有三种很好的属性（1）SPP能够产生固定大小的输出而与输入大小无关；（2）SPP使用多层spatial bins，而multi-pooling已经显现了对形变的健壮性；（3）由于输入大小的灵活性，SPP能够提取多个尺度下的特征。

所以在最后一层卷积层加上SPP层，把特征转换成统一大小作为FC层的输入。

在物体检测领域，SPP-net显示了巨大的优越性，当时最好的检测算法是R-CNN（把CNN用于检测领域的开山之作，可参考之前的博客R-CNN解读），但是R-CNN的一个问题是特征计算很耗时，因为针对一张图片，它需要计算每一个region proposal的CNN 特征，进行了大量的重复计算。而SPP-net对一张图片只需要计算一次，这样在R-CNN的基础上可以加速好几百倍。如图是R-CNN和SPP-net的对比：

在网络结构上，直接把pool5层替换成SPP层，如图：

以上图说明SPP层的运行过程，作者用了3层的金字塔池化（pyramid pooling）, 分别是4*4（16, 蓝色），2*2（4, 绿色），1*1（1, 灰色），256为卷积核数量，所以最后FC6的输入时21(16+4+1)*256。而实现是通过max-pooling，根据conv5的大小来计算出池化卷积核的大小和步长，具体计算方法：

在检测任务中，pooling只是在candidate window上进行。

在Pascol VOC2007上的检测结果比较：