圖一 SPPNet示意圖

一般的網(wǎng)絡(luò)（如AlexNet）,由于全連接層的存在，要求輸入圖片的尺寸是固定大小的（如224 * 224），這就需要將原始圖片裁剪或形變。但是裁剪出的區(qū)域可能不包含整個物體以及形變可能導(dǎo)致我們不想看到的幾何失（如圖一所示），識別準(zhǔn)確率就可能因此下降。文中提出的SPP就是為了解決輸入尺度固定的問題。

SPP

圖二 SPP示意圖

如圖二所示，設(shè)特征映射m的尺度是a * a，將m分成單金字塔層次的n * n組， 則window = ceil(a / n)，stride = floor(a / n)。對于多金字塔層次同理（如圖二就是3層次金字塔—— 1 * 1， 2 * 2， 4* 4）。這樣就能生成固定長度的表征。

多層次池化（multi-level pooling）對物體形變更魯棒。

多尺度訓(xùn)練

文中多尺度訓(xùn)練采用的是在一個epoch內(nèi)采用同一尺度（如224），在另一個epoch使用另外一個尺度（如180）。

圖像識別實驗

圖三 ImageNet 2012 驗證集在標(biāo)準(zhǔn)10-views下的錯誤率

可以看到SPP和多尺度訓(xùn)練是有助于提高識別準(zhǔn)確率的。

圖四 單視角下的ImageNet 2012 驗證集錯誤率，crop用的是圖片中心區(qū)域

結(jié)合圖三、圖四，可以看到多視角的結(jié)果比單視角的結(jié)果好。單視角下，全圖比局部好。

目標(biāo)檢測實驗

RCNN測試的時候?qū)γ總€RP都提取特征，重復(fù)計算很多。使用SPPNet的話一次提取整張圖片特征，將RP投影到pool5，提取對應(yīng)的RP特征，極大地減少了計算量。

文中寫到，為簡化訓(xùn)練，只fine-tune全鏈接層。訓(xùn)練方式和RCNN一樣。

圖五 mAP on PASCAL VOC 2007

圖六 mAP on PASCAL VOC 2007using the same pre-trained modelof SPP (ZF-5)

參考文獻(xiàn)

1.?Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition