目标检测论文解读2——Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
背景
用ConvNet方法解决图像分类、检测问题成为热潮，但这些方法都需要先把图片resize到固定的w*h，再丢进网络里，图片经过resize可能会丢失一些信息。论文作者发明了SPP pooling(空间金字塔池化)层，让网络可以接受任意size的输入。并且用在目标检测任务上，可以只计算一次整图的feature map，再找到region proposal的feature map在原图上的映射，最后进行SPP pooling。
方法
(1)首先思考一个问题，为什么ConvNet需要一个固定size的图片作为输入，我们知道，Conv层只需要channel固定(彩色图片3，灰度图1），但可以接受任意w*h的输入，当然输出的w*h也会跟着变化；然而，后面的FC层却需要固定长度的vector作为输入，图片size变化->conv层输出的size变化->FC层输入的vector长度变化，这就产生了错误。
怎么解决这个问题呢？作者给出的方法是在最后一层Conv层后面加上一个SPP pooling层，SPP pooling层可以将接收到的不同size的输入转换成为固定的输出，保证FC层的输入长度固定。
如图，SPP pooling层的原理很简单，例子如下：给定一个w*h的特征图，把其分别分成4*4、2*2、1*1的bin，在每个bin上面作pooling操作(文中使用的是max pooling)，最后能得到16*256-d(256-d是最后一个conv层的输出通道数)，4*256-d、1*256-d的feature vector，最后连接在一起，得到的就是21*256-d的feature vector。
可以看到，不管一开始的w和h取值多少，最后都能得到固定长度的feature vector作为FC层的输入，这样，ConvNet就能接受不同size的图片作为输入了。
(2)此外，SPP NET还在RCNN上面作出了共享计算的改进。
RCNN的流程是：先求出一张图片的几千张子图，再送到网络中训练。这样会对很多子图重合的部分进行了冗余计算。
SPP NET的流程如下：先直接让一张图片通过CNN层，得到feature map，再找到几千张子图在原图的映射，直接得到对应的feature map，再利用SPP pooling层将其转换为固定长度的vector，再用FC层分类，最后进行边框回归修正位置。
总结
论文作者通过在FC层前面加上一个SPP pooling层，有效解决了ConvNet必须接受固定size的图片。并且只计算一次整张图的feature map，避免了大量的冗余计算。
缺点
SPP NET的缺点在于它的训练过程中，前面的CNN层的参数是不会变化的，用的还是R-CNN的参数。
