SPP（Spatial Pyramid Pooling）

Spatial Pyramid Pooling（空间金字塔池化）

在一般的CNN结构中，在卷积层后面通常连接着全连接。而全连接层的特征数是固定的，所以在网络输入的时候，会固定输入的大小(fixed-size)

但在现实中，我们的输入的图像尺寸总是不能满足输入时要求的大小。然而通常的手法就是裁剪(crop)和拉伸(warp)，两种方式可能出现不同的问题：(i)裁剪的区域可能没法包含物体的整体；(ii)变形操作造成目标无用的几何失真。如果识别目标尺寸变化多样，那么提前定义好的尺寸就可能不太适合。。

而Kaiming He在这里提出了一个SPP(Spatial Pyramid Pooling)层能很好的解决这样的问题

SPP 显著特点

• 不管输入尺寸是怎样，SPP 可以产生固定大小的输出

• 使用多个窗口(pooling window)

• SPP 可以使用同一图像不同尺寸(scale)作为输入, 得到同样长度的池化特征。

使用多个窗口(pooling窗口，上图中蓝色，青绿，银灰的窗口， 我们先看最左边有16个蓝色小格子的图，它的意思是将从(conv_5)得到的特征映射分成16份，另外16X256中的256表示的是channel，即SPP对每一层都分成16份(不一定是等比分，原因看后面的内容就能理解了)。
中间的4个绿色小格子和右边1个紫色大格子也同理，即将特征映射分别分成4X256和1X256份
那么将特征映射分成若干等分是做什么用的呢？ 我们看SPP的名字就是到了，是做池化操作，一般选择MAX Pooling，即对每一份进行最大池化。

我们看上图，通过SPP层，特征映射被转化成了16X256+4X256+1X256 = 21X256的矩阵，在送入全连接时可以扩展成一维矩阵，即1X10752，所以第一个全连接层的参数就可以设置成10752了，这样也就解决了输入数据大小任意的问题了。然后对feature maps 进行pooling，将分别得到的结果进行合并就会得到固定长度的输出), 这就是得到固定输出的秘密原因。

注：特征映射：特征映射，也称降维，是将高维多媒体数据的特征向量映射到一维或者 低维空间的过程。