作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun
SPP—Net
提出背景：
由於CNN的輸入需要固定大小的圖片（比如224*224），而固定大小的圖片是通過將原始圖片crop或者wrap得到的，這樣，會使原始圖片幾何失真，最終會使網絡訓練的準確率下降。
crop或者wrap產生的圖片效果如下：
CNN分爲卷積層（convolutionallayer）和全連接層（fully-connected layer）。卷積層不需要固定大小的輸入，可以產生任意大小的feature map，而全連接層需要固定大小/長度的輸入。所以上面提到的CNN需要固定大小的輸入就是因爲全連接層。
因此，作者提出了空間金字塔池化（spatial pyramid pooling，即SPP），這種方法可以解除CNN對於固定大小輸入的限制。作者將這個SPP層放在CNN中最後一個卷積層的後面，全連接層前面。如下圖：
上面那個是傳統的CNN模式，下面那個是作者提出的新方法。
空間金字塔池化層（SpatialPyramid pooling Layer）
上圖是一種SPP層的結構。上圖中，其實就是對最後一層卷積層同時進行4x4，2x2，1x1的池化，然後將3個池化後“矩陣”轉換成“向量”連接起來。由於池化是按比例下采樣上一層圖像，故對於任意大小的出入，經過4x4池化後總是得到4x4的輸出。所以對於上圖，對於任意大小的輸入，最後經過SPP層之後，總是得到21x256維的輸出（21=4*4+2*2+1*1）。
另外，作者還提出1x1的池化成爲“globalpooling”，有以下幾個優點：1）可以減小模型大小和減小過擬合 2）一個global average pooling可以提高準確率 3）一個global max pooling可以用於弱監督物體識別（weakly supervised object recognition）。
實驗
作者在實驗的時候，發現以下幾種方法可以提高準確率。
1） Multi-level Pooling Improves Accuracy. 比如4-levelpyramid其中一個例子就是（6x6，3 x 3，2x2，1x1）。
2） Multi-size Training Improves Accuracy. 比如訓練的時候輸入圖片爲224x224和180x180，測試的時候仍然爲224x224.
3） Full-image Representations Improves Accuracy.
4） Multi-view Testing on Feature Maps
詳細的說明可以看看論文。
其他說明
圖像分類（Image Classification）的大致流程如下：
物體檢測（Object Detection）的簡略流程如下：
說明：
1）使用SPP進行檢測，先用提候選proposals方法（selective search）選出候選框，不過不像RCNN把每個候選區域給深度網絡提特徵，而是整張圖提一次特徵，再把候選框映射到conv5上，因爲候選框的大小尺度不同，映射到conv5後仍不同，所以需要再通過SPP層提取到相同維度的特徵，再進行分類和迴歸，後面的思路和方法與RCNN一致。實際上這樣子做的話就比原先的快很多了，因爲之前RCNN也提出了這個原因就是深度網絡所需要的感受野是非常大的，這樣子的話需要每次將感興趣區域放大到網絡的尺度才能卷積到conv5層。這樣計算量就會很大，而SPP只需要計算一次特徵，剩下的只需要在conv5層上操作就可以了。
2）映射說的簡單一點其實就是：輸入圖片與卷積層conv5是對應的，而region proposal與輸入圖像也是對應的，所以region proposal與conv5也是對應的。通過某種映射關係，就可以求出region proposal具體對應conv5的哪個部分。這樣，對應每個region proposal不需要進行卷積運算，只需要求一個映射關係就可以，所以速度快樂很多。
3）其實具體流程還涉及到其他的，比如對region proposal重新調整大小等，具體細節參照論文。
參看文獻：
RCNN學習筆記(3):Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition(SPP-net)