《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，這篇paper提出了空間金字塔池化。
之前學習的RCNN，雖然使用了建議候選區域使得速度大大降低，但是對於超大容量的數據，計算速度還有待提高。對RCNN來說，計算冗余很大一部分來自於：對每一個proposal region提取一次特征，而不同region之間有很多的交集，這就導致很大的計算冗余。因此fast-rcnn提出了，先對圖片進行一次總體的特征提取，然后再提取每個proposal region的特征。
說跑題了，回歸正題。先說說ssp-net的優點，在ssp-net之前，使用卷積神經網絡需要統一圖片的輸入大小，那我們自己思考一下為什么需要固定輸入大小呢？
cnn包括三個部分：卷積池化和全連接。那到底哪一個部分需要固定輸入呢？
先說卷積，卷積操作對圖片的輸入大小要求嗎？貌似固定卷積核大小，給定輸入圖片，卷積核都能進行計算，然后輸入特征值，任意大小的圖片都可以進行卷積。
再說池化，池化是更加不需要要求輸入大小的，池化只需要根據池化大小，進行平均或者最大池化就可以了。
那最后就是全連接嘍，分析一下為什么全連接需要固定輸入大小。又要拿出之前隨筆中的那張圖了：
看看全連接是怎么進行計算的，x是輸入，根據矩陣運算的規則，不同的輸入x對應這不同的w，因此要進行全連接，首先要固定下來輸入x。因此罪魁禍首找到了，傳統cnn之所以要固定輸入，是因為全連接層的存在。原博客地址：http://www.cnblogs.com/smartwhite/p/8601477.html。因此空間金字塔池化層要做的就是卷積層到全連接層的過度，把卷積層不固定的輸出，通過空間金字塔池化層，固定下來，作為全連接層的輸入。
算法過程：
輸入層：一張任意大小的圖片
輸出層：21維向量
如上圖所示，當我們輸入一張圖片的時候，我們利用不同大小的刻度，對一張圖片進行了划分。上面示意圖中，利用了三種不同大小的刻度，對一張輸入的圖片進行了划分，最后總共可以得到16+4+1=21個塊，我們即將從這21個塊中，每個塊提取出一個特征，這樣剛好就是我們要提取的21維特征向量。
第一張圖片,我們把一張完整的圖片，分成了16個塊，也就是每個塊的大小就是(w/4,h/4);
第二張圖片，划分了4個塊，每個塊的大小就是(w/2,h/2);
第三張圖片，把一整張圖片作為了一個塊，也就是塊的大小為(w,h)
空間金字塔最大池化的過程，其實就是從這21個圖片塊中，分別計算每個塊的最大值，從而得到一個輸出神經元。最后把一張任意大小的圖片轉換成了一個固定大小的21維特征（當然你可以設計其它維數的輸出，增加金字塔的層數，或者改變划分網格的大小）。上面的三種不同刻度的划分，每一種刻度我們稱之為：金字塔的一層，每一個圖片塊大小我們稱之為：windows size了。如果你希望，金字塔的某一層輸出n*n個特征，那么你就要用windows size大小為：(w/n,h/n)進行池化了。
當我們有很多層網絡的時候，當網絡輸入的是一張任意大小的圖片，這個時候我們可以一直進行卷積、池化，直到網絡的倒數幾層的時候，也就是我們即將與全連接層連接的時候，就要使用金字塔池化，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奧義（多尺度特征提取出固定大小的特征向量）。具體的流程圖如下：
此處直接復制粘貼原作者，因為是在講得太清晰了，算法概述的原博客地址：https://blog.csdn.net/hjimce/article/details/50187655