Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
SPP_net 是一个2014年的文章， 也是 Object Detection 领域逐渐发展的重要一步。
R-CNN 做Object Detection的时候，是在 image 阶段是根据bounding boxes对原来的image 进行 crop，然后对cropped image进行classification。
这样做遵从Object Detection两部曲，BBox Detect & Object Classification。 但是这种方法有一个缺点： Conv层大量的重复计算。
同时，对于传统的CNN， 输入都需要固定大小的image size， 但是由于CNN的网络特点，在Conv层是不需要考虑image size 的， 只有后面的FC层才需要考虑。
所以，可以将conv 层提前。
那么， 经过改进的算法就是 SPP_net.
SPP_net 的三个优点是：
(1) Can generate a fixed-length representation regardless of image scale/size
(2) SPP uses multi-level spatial bins;
(3) SPP can pool features extracted at variable scales thanks to the flexibility of input scales
对feature map的分析：
每一个 feature map 都会反应该feature map的反应强度和空间位置。 经过训练，每一个feature map都反应 the most activated by some shape.
比如： 有些feature map 对圆形反馈，有些对V型反馈。
这些feature map就做到一个提取特征的作用。（这个特征不仅仅包含形状，颜色，而且有空间特征）
SPP_net 新加入的一种layer： spatial pyramid pooling layer
对 Conv5 层的feature maps 进行spatial pyramid pooling， 对于任意size的feature maps（width， height， channel=256）， 得到典型的三种：pooling 成 (4 x 4 x channel), (2 x 2 x channel), (1 x 1 x channel), 然后将这三个maps concatenate into vector， 那么这个 vector就是 （4 x 4 + 2 x 2 + 1 x 1） x channel 维度的。
总结： 看完Faster RCNN 之后再回过头来看这些文章。发现：方法就是这样一步一步试出来，每次小小的改动，最后成为一个很实用很有效的东西。