02 SPPnet

参考：https://www.cnblogs.com/gongxijun/p/7172134.html

http://www.cnblogs.com/chaofn/p/9305374.html

一， Pooling features from arbitrary windows on feature maps. The feature maps are computed from the entire image. The pooling is performed in candidate windows.

 

1) 特征图feature A 的256个通道，每个通道都切分为16个小的特征图，然后使用对应大小的池化核（即小的特征图大小）对其进行池化得到16x256维特征;

2) 将这个特征图feature A的256通道，每个通道都切分为4个小的特征图，然后使用对应的大小的池化核对其进行池化得到４x256维特征；

3) 将这个特征图feature A的256通道，每个通道都使用和通道图一样的大小的池化核对其进行池化，这个每个通道得到1一个值，所有通道处理一遍，得1x256维特征；

这样不管输入的特征图A大小如何，他们连起来都是一个固定长度的特征向量（维度：16x256+４x256+1x256），将这个向量输入到后面的全连接层。

 

注：关键是池化核的大小是变化的

二，与R-CNN对比

1，R-CNN算法过程：

           候选框 （选择搜索算法）——> 提特征（预训练好的网络）——> 分类 （以这些特征训练SVM分类器）——> 拟合边界框回归器,

2，SPPnet算法过程和R-CNN一样，只是在提特征方式上做了改进：把整张待检测的图片，输入CNN中，进行一次性特征提取，得到feature maps，然后在feature maps中找到各个候选框的区域，再对各个候选框采用金字塔空间池化，提取出固定长度的特征向量。

3，回顾R-CNN的特征提取过程：对于每一个候选框，缩放候选框大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘

4，这样SPPnet相对于R-CNN的优点是：SPPnet计算feature map只需要一次前向运算（论文原文because R-CNN repeatedly applies the deep convolutional network to about 2,000 windows per image, it is time-consuming）

即RCNN是：多个regions+多次CNN+单个pooling，而SPP则是: 单个图像+单次CNN+多个region+多个pooling，画个图直观点：

 

相关论文：

Spatial pyramid pooling in deep convolutional networks for visual recognition

@inproceedings{he2014spatial,
  title={Spatial pyramid pooling in deep convolutional networks for visual recognition},
  author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian},
  booktitle={European conference on computer vision},
  pages={346--361},
  year={2014},
  organization={Springer}
}