Spp-Net 论文阅读

前面说RCNN的时候，说到了几个缺点：

1). 训练步骤繁琐：首先要用SS算法提取图片的候选区域，然后利用IOU计算每一块候选区域的标签，这是需要单独计算并将数据保存下来的。其次，利用候选区域与候选区域的标签训练CNN+SVM。最后利用BBox对边框回归。

2). 训练测试的速度均比较慢

3). 训练占用较大磁盘空间

4). 由于存在fc，所以需要对候选区域尺寸进行Resize，这样会导致图像扭曲变形，影响检测精度。

因此Spp-Net主要是针对第二点以及第四点进行改进。针对第二点：由于在RCNN中，训练和测试的时候，每个候选区域都会经过CNN特征提取网络，而候选区域之间是存在很大的重叠的，实际上有很多区域都计算了很多遍，所以导致训练和测试时的速度都很慢，因此作者提取直接对整图进行CNN提取，然后利用候选区域的位置坐标映射得到候选区域在特征图中的位置。针对第四点，作者提出了SPP层，用来对不同尺寸的特征归一化到相同尺度。

主要流程图如下所示：

spp的思想如下图所示，主要就是利用了金字塔的思想，将原始CNN中得到的特征图复制三份，第一份平均分割成4*4的网格，每个网格计算平均值输出，则会得到一个16维度的向量。第二份平均分成2*2的网格，计算网格平均值，得到4维向量，最后一份直接计算平均值，得到一维向量，将三个向量拼接起来，得到21维向量，且不管图像尺寸为多大，都能固定得到21维向量。其实这里存在一个问题，如果feature map除以4的时候除不尽，会导致定位精度的不准确，在mask rcnn中用align pool改进了。