1.2　SPP-Net

在前面介绍的R-CNN中，经过选择性搜索会得到不同尺寸的候选区域，然而它的CNN骨干网络需要固定尺寸的输入图像，无论是裁剪、拉伸还是加边都会对模型的效果带来负面影响。是什么原因导致它的CNN骨干网络需要固定尺寸的输入图像呢？一个原因是CNN通常由卷积层和全连接层组成，卷积层通过滑动窗口的形式得到下一层特征，卷积对输入图像的尺寸并没有要求，只是不同尺寸的输入会产生不同尺寸的特征。但是全连接层要求输入特征的尺寸是固定的，这导致了图像特征尺寸的固定，从而固定了输入图像的尺寸。空间金字塔池化（SPP）是介于特征层（卷积层的最后一层）和全连接层之间的一种池化结构，通过提取N组固定大小的特征再将它们池化到一起，便可以得到固定尺寸的全连接的输入，因此满足不同尺寸的图像都可以输入模型。SPP的思想无论是对于图像分类还是目标检测都是有用的。从生物学的角度来讲，SPP也更符合人类的视觉特征，因为当我们看一个物体时，它的尺寸并不明显影响我们对它的位置判断，而是在更深的视觉系统中进行物体信息处理。

R-CNN的另一个问题是它非常耗时，因为其在使用选择性搜索提取候选区域后，会对每幅图像的几千个候选区域重复地进行卷积操作。SPP-Net只需要在整幅图像上进行一次卷积操作，然后使用SPP-Net的金字塔池化的思想在特征图上提取特征，这一操作将运行速度提升了上百倍。SPP-Net的这一工作在ILSVRC 2014上也取得了非常优秀的成绩（检测任务第二名，分类任务第三名）。