2020-11-20 YOLOV3-SPP

YOLOV3改进

相比于YOLOV3本体，改进后的YOLOV3引入了一个类似于SPPnet（Spatial Pyramid Pooling）的模块。主要依靠不同尺度的pooling操作增加浅层特征的语义信息，然后concat不同尺度pooling的结果（池化后的W，H相同）。并且作者针对三个尺度均增加了类似SPP的结构以后性能仅仅得到了一点点的提升，反而牺牲了大量的推理时间。
个人猜测可能是因为对于深层次的语义信息而言融合的效果不那么显著了。YOLOV3中使用的SPP结构与原论文有一定的个差异，但是整体思想基本没变化。

在一般的CNN网络结构中，最后的分类层通常是由全连接组成，而全连接有个特点，那就是它的特征数是固定的，这就导致了图片在输入网络的时候，大小必须是固定的，但是在实际情况中，图片大小是多种多样的，如果不能满足网络的输入，图片将无法在网络中进行前向运算，所以为了得到固定尺寸的图片，必须对图片进行裁剪或者变形拉伸等，这样就很可能会导致图像失真，从而影响最终的精度，而我们希望网络能够保持原图大小的输入，得到最大的精度。

1. 有效避免了对图像区域剪裁、缩放操作导致的图像失真等问题；
2. 解决了卷积神经网络对图像重复特征提取的问题，大大提高了产生候选框的速度，且节省了计算成本。
3. 此段引用这里的分析