空间金字塔池化(Spatial Pyramid Pooling, SPP)

空间金字塔池化

空间金字塔池化(Spatial Pyramid Pooling, SPP)

在SPPnet和Fast-RCNN中都用到了空间金字塔池化(Spatial Pyramid Pooling, SPP)来提高object detection的效率。SPP本质的目的是为了使得CNN可以接受任意尺寸的输入图片，从而避免了图像预处理中要将图片resize到统一尺寸这个限制。

SPPnet论文中给出了如下的图示：

给定一张任意尺寸的输入图片，首先经过一个网络，得到某卷积层的输出（即图中Conv5的输出）；之后经过三个不同的池化层，分别得到$16\times 25616\times 25616\times 256$1×256维的向量，将这些向量拼接起来，即得到固定长度的特征向量（fixed-length representation，这里长度为5376）。无论输入的图片是任何尺寸的，我们都可以得到长度为5376的特征向量。

卷积层实际上并不受限于输入图像的尺寸，无论给定什么尺寸的图，卷积都是可以进行的。然而后面的全连接层就不行了，必须接受固定尺寸的输入。所以通过上述的金字塔池化，就可以解决全连接层的输入问题。从而使得网络可以接受任意尺寸的输入图片。

单看论文还是不好理解，到底是如何操作的。我们从代码的角度来看下是如何实现的，最后再证明下这样确实是可行的。

import torch.nn as nn
import torch

def spatial_pyramid_pool(previous_conv, num_sample, previous_conv_size, out_pool_size):
‘’’
previous_conv: a tensor vector of previous convolution layer
num_sample: an int number of image in the batch
previous_conv_size: an int vector [height, width] of the matrix features size of previous convolution layer
out_pool_size: a int vector of expected output size of max pooling layer

returns: a tensor vector with shape [1 x n] is the concentration of multi-level pooling
'''    
print(previous_conv.size())
for i in range(len(out_pool_size)):
    h_wid = int(math.ceil(previous_conv_size[0] / out_pool_size[i]))
    w_wid = int(math.ceil(previous_conv_size[1] / out_pool_size[i]))
    h_pad = int((h_wid*out_pool_size[i] - previous_conv_size[0] + 1)/2)
    w_pad = int((w_wid*out_pool_size[i] - previous_conv_size[1] + 1)/2)
    print (h_wid, w_wid,h_pad,w_pad)
    maxpool = nn.MaxPool2d((h_wid, w_wid), stride=(h_wid, w_wid), padding=(h_pad, w_pad))
    x = maxpool(previous_conv)
    if(i == 0):
        spp = x.view(num_sample,-1)
    else:
        spp = torch.cat((spp,x.view(num_sample,-1)), 1)
return spp

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26

假如这里输入的feature map即previous_conv的channel为512，out_pool_size=[4，2，1]。则经过这三个池化层，我们分别得到$4\times 4\times 5124\times 4\times 5124\times 4\times 512$n值也是一致的，因此输出尺寸是一致的。因此可以适应于不同尺寸的图片输入。

                                </div><div><div></div></div>
            <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-60ecaf1f42.css" rel="stylesheet">
                            </div>