Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
SPP_net 是一個2014年的文章， 也是 Object Detection 領域逐漸發展的重要一步。
R-CNN 做Object Detection的時候，是在 image 階段是根據bounding boxes對原來的image 進行 crop，然后對cropped image進行classification。
這樣做遵從Object Detection兩部曲，BBox Detect & Object Classification。 但是這種方法有一個缺點： Conv層大量的重復計算。
同時，對於傳統的CNN， 輸入都需要固定大小的image size， 但是由於CNN的網絡特點，在Conv層是不需要考慮image size 的， 只有后面的FC層才需要考慮。
所以，可以將conv 層提前。
那么， 經過改進的算法就是 SPP_net.
SPP_net 的三個優點是：
(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
對feature map的分析：
每一個 feature map 都會反應該feature map的反應強度和空間位置。 經過訓練，每一個feature map都反應 the most activated by some shape.
比如： 有些feature map 對圓形反饋，有些對V型反饋。
這些feature map就做到一個提取特征的作用。（這個特征不僅僅包含形狀，顏色，而且有空間特征）
SPP_net 新加入的一種layer： spatial pyramid pooling layer
對 Conv5 層的feature maps 進行spatial pyramid pooling， 對於任意size的feature maps（width， height， channel=256）， 得到典型的三種：pooling 成 (4 x 4 x channel), (2 x 2 x channel), (1 x 1 x channel), 然后將這三個maps concatenate into vector， 那么這個 vector就是 （4 x 4 + 2 x 2 + 1 x 1） x channel 維度的。
總結： 看完Faster RCNN 之后再回過頭來看這些文章。發現：方法就是這樣一步一步試出來，每次小小的改動，最后成為一個很實用很有效的東西。