SPP-net
論文：Spatial
Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
在R-CNN中，要求輸入固定大小的圖片，因此需要對圖片進行crop、wrap變換。此外，對每一個圖像中每一個proposal進行一遍CNN前向特徵提取，如果是2000個propsal,需要2000次前向CNN特徵提取，這無疑將浪費很多時間。
該論文對R-CNN中存在的缺點進行了改進，基本思想是，輸入整張圖像，提取出整張圖像的特徵圖，然後利用空間關係從整張圖像的特徵圖中，在spatial pyramid pooling layer提取各個region proposal的特徵。
-------------------------------------------------------------------------------------------------------------------------------------------------------
spatial pyramid pooling layer
在傳統的CNN中，卷積層不需要輸入固定大小的圖像，並能產生任意大小的特徵圖，但是全連接層要求輸入固定大小的圖像。因此，該論文提出了將最後一個卷積層後的池化層替換爲spatial pyramid pooling layer(SPP層), 該層能夠生成長度固定的特徵，並輸入到全連接層。因此，SPP-net適合輸入大小不同的圖像。
spatial pyramid pooling layer的結構如下圖，類似於金字塔：
-----------------------------------------------------------------------------------------------------------------------------------------------------
多尺度訓練
爲了能夠輸入任意大小的圖像，在訓練網絡時，採用了多尺度輸入，如：224*224， 180*180，其中，180*180圖像是從224*224圖像變換的到的。構建兩種CNN模型，一種模型的輸入大小爲224*224，另一種模型的輸入大小爲180*180，而且這兩個模型共享參數。
------------------------------------------------------------------------------------------------------------------------------------------------------
將圖像ROI映射到feature map上
SPP-net
是把原始ROI的左上角和右下角映射到 feature map上的兩個對應點。有了feature map上的兩個角點，就確定了對應的 feature map 區域，如下圖：
該模型從第一個卷積層到最後一個卷積層，包括中間的池化層，計算各個層stride的乘積s ; (x’, y’)表示特徵圖上的座標點，(x , y)表示原輸入圖片上的座標點，那麼每個矩形候選框的左上角、右下角在特徵圖上的對應點：
左上角: x’= ⌊x/s⌋ + 1 y’= ⌊y/s⌋ + 1
右下角: x’= ⌈x/s⌉ + 1 y’= ⌈y/s⌉ + 1
