SPP-net中的spatial pyramid pooling

原文传送门：https://www.jianshu.com/p/884c2828cd8e

本篇主要简述SPP中的spatial pyramid pooling，力求简单明了，一看就懂。

论文地址：[1406.4729] Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognitio

spp提出的初衷是为了解决CNN对输入图片尺寸的限制。由于全连接层的存在，与之相连的最后一个卷积层的输出特征需要固定尺寸，从而要求输入图片尺寸也要固定。spp-net之前的做法是将图片裁剪或变形（crop/warp），如下图所示

图1 cropping or warping

crop/warp的一个问题是导致图片的信息缺失或变形，影响识别精度。对此，文章中在最后一层卷积特征图的基础上又进一步进行处理，提出了spatial pyramid pooling，如图2所示：

图2 crop/warp vs spp

空间金字塔池化（spatial pyramid pooling）的网络结构如下图：

图3 spp structure

简而言之，即是将任意尺寸的feature map分别切分成16、4、1份，再对每一份进行池化操作，将池化后的结果拼接得到固定长度的特征向量（图中的256为filter的个数），送入全连接层进行后续操作。

后来的Fast RCNN网络即借鉴了spp的思想。