目标检测算法复习：SPP-Net算法

一、前言

上次看完R-CNN算法，就觉得其非常原始，光是一张图就要做2000次卷积操作（加黑是因为 R-CNN 与 SPP-Net 之间最大区别就是这点）。想一想就觉得它会有很多的改进空间。继续目标检测算法的学习时，发现 R-CNN 和 Fast-RCNN之间还有个 SPP-Net ，学习当中发现一些博客写的很好，拿出来分享，自己再做些补充：
https://blog.csdn.net/forever__1234/article/details/79910175 （这篇首选）；
https://blog.csdn.net/xjz18298268521/article/details/52681966 （这篇补充）；

二、SPP-Net算法出现的原因

SPP-Net算法的前面一个算法 R-CNN算法，它虽然是个开创性的目标检测算法。但是它的缺点十分明显：
① CNN网络后面接的FC层需要固定的输入大小，限制网络的输入大小 。每一个候选区域要被处理成 227x227大小的图，拉伸过程中导致图片失真，对模型性能不利；
② 候选区域会塞给CNN网络用于提取特征向量的，这会有大量的重复计算，造成的计算冗余。一张图要卷积2000次，而且分类器、回归器都是分散、笨重的。导致人们记住的只有它的缺点。

先上图吧，模型基本没变什么，包括分类器、回归器也是沿用了R-CNN的设计（这个我在论文里没看到，可能没细看，看别人讲的），SPP-Net欲解决的问题主要是上面两点，对于其他的倒没改进什么。 layer8 处在R-CNN里是个最大池化，在SPP-Net里换成了空间金字塔池化（Spatial Pyramid Pooling），而且有三种尺寸的池化核，这个在下面细说。

1.测试过程

还是先说测试，再说训练，促进理解。
①