【论文快读】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

链接：https://arxiv.org/abs/1406.4729
作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun

摘要：

SPP可以用于:
1.大幅提高各种cnn的性能：
现有网络对输入图片的size要求一定，这种“人工设定”可能对accuracy造成影响。本文提出的SPP-net则是“input size/scale free”的，输出的是固定长度的representation。通过对一些经典网络进行改造可以实现精度的显著提升。
2.在对象检测中显著提速：
R-CNN需要在一幅图上的子区域上反复应用nn，而作者首先在全图中用CNN扫一次，然后提取特征并放入SPP-net，实现数量级级别的提速。

由于CNN中的卷积层的kernel在生成feature map的时候对于图片size无要求，另一方面根据全连接层的定义，输入size须一定，所以CNN的input的fixed size约束的根本来源是仅仅是全连接层。作者在最后一层卷积层之后、全连接层之前增加spp层，用于把feature map池化并生成全连接层所需的size，在避免warp和crop的同时实现信息整合。则网络结构的变化如下图所示：

文章从三个方面进行了论述：
1。加入了SPP的DNN
2。SPP-net与图像分类
3。SPP-net与对象检测

1、SPP-net的结构

如图：

SPP层位于卷积池化层（$con{v}_5$）和全连接层（$f{c}_6$）之间。假设$con{v}_5$通过256个filter生成了256维的feature map（由于每个image的size不定，所以不同image经过$con{v}_5$输出的256个feature map的size也有不同）。把这些feature map分别最大池化成$4\times 4\times 256$、$2\times 2\times 256$、$1\times 1\times 256$的size并组合，得到$21\times 256$的向量，输入$f{c}_6$。
这个结构很简明，理论上也能通过传统的后向传播进行训练。当然了，由于图片的size不同，为了便于GPU的运行，作者也进行了一些训练方法的改进。

2、SPP-net与图像分类

实验的baseline包括ZF-5等一些网络，通过使用SPP，其精度均取得了较大的提升。另外，增加SPP的level（上节的例子中有3个level）、增加input的size种类也可以提高accuracy。

3、SPP-net与对象检测

RCNN算法是从原图中选择2k个框输入卷积网络，需要进行2k次前向传播，而借助SPP，把图片输入卷积网络一次，在输出的256个feature map上生成候选window，然后对每个window进行($1\times 1,2\times 2,3\times 3,6\times 6$)SPPooling，生成12800（$=256\times 50$）维表示，送入全连接层和SVM。