DeepLearning独孤九剑第1式--SPP空间金字塔池化学习

SPP空间金字塔池化学习札记1

作者：程序猿刘小川
大家好，我系渣渣辉…不好意思走错片场了，重新介绍下自己，我是新来的博主-程序猿刘小川，初来乍到，还望诸位多多包涵。本博主是跨专业学生，刚开始接触计算机算法，在学习计算算法之余，查看些许专业论文，在学习时有着一些个人的心得。由于学艺不精，初入算法，对一些专业上了理解还比较浅，还望诸位看官多多指教。下面就进入正题，由算法小白刘小川带大家学习第一篇算法论文。

• 论文题目《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》

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

  各位看官们，这是本博主接触的第一篇论文，论文所提出的算法思想的创新点是进行SPP（Spatial Pyramid Pooling 空间金字塔池化），这一点也使得在进行图片信息处理的时候，比其他算法更进一步提高计算速度。在计算机机器学习领域，有挺多不同的算法，这些算法在一些基础算法上不断地优化、改进、创新，从基础算法发展到CNN（Convolutional Neural Network卷积神经网络）、R-CNN、、Fast-RCNN、Faster-RCNN和SSD等。而本篇论文研究的算法就是与R-CNN进行相对的比较，SPP算法在计算速度上比R-CNN算法快上近100倍。
  在我们所学习的现有的CNN算法中，对于已经确定的网络结构中，再输入原始图片时，需要对图片进行固定大小的输入，比如224x224、32x32、96x96等尺寸。然而再输入时，只能输入特定大小的图片，对于众多的图片便需要进行Crop（剪裁）、Swap（转换）或者扭曲变形等。但是在进行这些操作之后，在一定程度上会造成图片信息的损失或失真，会降低图像识别检测的精度。在进行CNN算法的缺陷分析之后，想到了优化方案，那就是今天所以一直讲解对的SPP算法。
  SPP算法的有点在于：在已经确定的网络结构中，可以输入任意尺寸的图片，可以不经过剪裁变形等操作，这样确保了图片信息的真实度，提高了图像处理速度和效率，当然在提高速度的同时，精度也有所提高。
  
  正如所见上图便是CNN算法的剪裁、变形示例，这种方式处理的图片限制了识别的精确度。
  在传统的CNN算法中，其图像处理的操作流程是：图片经过裁剪、变形后，进行不断的卷积计算，得到卷积层，而后图像处理进入全连接层，而全连接层它就是限制图像大小的罪魁祸首，它需要固定大小的输入。
  然而，SPP算法就是来解决这个问题的，使用SPP这种图像处理方式，便能让任何大小的图片输入网络，使得整个网络结构与R-CNN有所不同。
  
  好吧，本博主先就写到这儿吧，各位看官还有需要观看的，请关注博主，等待后续的博文更新…