在學習r-cnn系列時，一直看到SPP-net的身影，許多有疑問的地方在這篇論文里找到了答案。
論文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
轉自：http://blog.csdn.net/xzzppp/article/details/51377731
另可參考：http://zhangliliang.com/2014/09/13/paper-note-sppnet/
http://sinb.github.io/Whatyouknowabout/spp-net-1/
1、簡介
空間金字塔池化，使得任意大小的特征圖都能夠轉換成固定大小的特征向量，這就是空間金字塔池化的意義（多尺度特征提取出固定大小的特征向量），
送入全連接層。整體框架大致為：輸入圖像，卷積層提取特征，空間金字塔池化提取固定大小特征，全連接層。
具體的流程圖如下：
2、具體算法的大體流程
首先通過選擇性搜索（selective search），對待檢測的圖片進行搜索出2000個候選窗口。這一步和R-CNN一樣。
特征提取階段。這一步就是和R-CNN最大的區別了，同樣是用卷積神經網絡進行特征提取，但是SPP-Net用的是金字塔池化。這一步驟的具體操作如下：
把整張待檢測的圖片，輸入CNN中，進行一次性特征提取，得到feature maps，然后在feature maps中找到各個候選框的區域，再對各個候選框采用金字塔空間池化，
提取出固定長度的特征向量。而R-CNN輸入的是每個候選框，然后在進入CNN，因為SPP-Net只需要一次對整張圖片進行特征提取，速度是大大地快啊。江湖傳說可一個提高100倍的速度，
因為R-CNN就相當於遍歷一個CNN兩千次，而SPP-Net只需要遍歷1次。最后采用SVM算法進行特征向量分類識別，和R-CNN一樣。
3、關鍵步驟解釋
3.1 如何在feature maps中找到原始圖片中候選框的對應區域
