深度学习研究理解7：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

本文是MSRA何恺明研究员于14年撰写的论文，主要是把经典的Spatial Pyramid Pooling结构引入CNN中，从而使CNN可以处理任意size和scale的图片；这中方法不仅提升了分类的准确率，而且还非常适合Detection，比经典的RNN快速准确。

一：介绍

目前流行的CNN都需要固定size和scale的输入图片；所以基本上都是通过剪裁（crop）和wrap（这个不知道怎么翻译）。这种处理方式有三个弊端

1，剪裁的图图片可能不包含整个物体

2，wrap导致物体变形

3，当物体大小改变时，预定义的scale可能不适合物体的变化

CNN网络对于固定输入的要求，主要在全连接的分类器层，而特征提取层可以通过控制子采样比例和filter尺寸来调节，来接受各种scale和size的输入，得到固定的特征输出。

本文引入Spatial PyramidPooling 层SPP，通过SPP来移除CNN对于固定输入的要求，SPP操作类似深层的信息“融合”。这种深层的信息融合类似人脑的分级信息处理方式；当我们看到一个物体时，在一开始我们把物体看成一个整体而不是剪裁一个部分；通过融合先前处理的信息，大脑处理在深层阶段识别各种形状的物体。

SPP结构从细密和粗糙级别上分割图像，然后融合局部的特征。SPP有3个优势：

1，任任意size和scale输入下，产生固定的输出特征

2，使用多级spatial bins（多个尺寸的pooling），多级pooling对于物体形变具有鲁棒性。

SPP的优势，可以让我们：1，生产整个图片的特征，用于测试；2，允许我们在各种size和scale下训练网络，可以增加样本个数，防止过拟合。（类似数据增益）

二：SPP-net