Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

这篇paper的重点是可以把任意尺度的图片变为一个固定长度的表示。传统的RCNN或者其他DL的方法都是把输入照片作wrap或者crop，但是这样一定会出现unwanted geometric distortion.作者发现在卷积层是不需要尺度变化的，只有在全连接层才需要特定的尺度。所以作者在全连接层最后加入SPP layer（借鉴的事sptial pyramid pooling）。在训练的时候，作者使用的是多尺度循环训练法。

作者发现feature map 不仅仅表示的是feature的强度，还有feature的位置。所以在最后一层加入SPP，归一化为同一个长度【1】。

怎么去train？

其实就是把集中不同的max pooling 合在一起，window size=ceiling(a/n),stride=floor(a/n),文中一共提到三种。然后循环两种尺度的epoch进行训练，得到的结果就有普遍意义。

object detection

在RCNN时候，每一个region proposal都要单独训练一次，有很大的空间浪费，主要是由于尺度的问题。在这里，我们直接可以只计算一次，得到一个feature map，（卷机层的最后一层），然后我们通过select search的方法找到的region proposal，找到每一个对应位置对应的feature map，然后经过SPP layer，最后得到编码，run svm，就可以得到结果。这里只需要CNN一次就可以。

缺点

select search的方法很慢，svm很慢。网络训练非常复杂。

参考：

【1】“Beyond bags of features:Spatial pyramid matching for recognizing natural scene categories” CVPR 2006