引言

该方法由Kaiming He提出，主要目的是解决RBG提出的R-CNN网络的几个缺点。

与R-CNN的对比

R-CNN的问题

• R-CNN需要保证所有的图片尺寸是相同的。主要原因在于：R-CNN在全连接层的输入要求是固定尺寸，这就要求保证CNN网络的输入尺寸相同才能满足。R-CNN为了保证图片尺度相同，对图片进行裁剪/扭曲操作，但是这样的变型操作会丢失信息。如图1左侧，由于裁剪，导致关注的目标不完整。
• R-CNN首先对输入的图像进行ROI提取，然后对每一个ROI进行CNN特征提取。显然，这是十分耗时的！！！

主要贡献

本文提出了Spatial Pyramid Pooling（SPP）Layer，如下图所示。该结构在R-CNN的基础上，在Conv5之后，FC层之前增加了SPP层。具体做法是：
1. 取3个框框对Feature Map进行采样。大小分别是1*1，2*2，4*4，按照这样的规格对Feature Map进行划分，在每一个小格格里进行MaxPooling。
2. 假设Feature Map是13*13*256，那么通过SPP下采样得到的尺度是（16+4+1）*256。
3. 通过这样的方式，不管输入图像的大小是多大，即便Feature Map的尺度不一样（主要是W*H不同，feature map的深度由filter的个数决定，因此深度相同），这样就能保证SPP采样之后的尺度相同，进一步送入FC层。

SPP-Net目标检测算法

利用Selective Search方法对原始输入图像提取2000个ROI。对于每一个候选窗口，使用4级空间金字塔（1*1，2*2，3*3，6*6），共50个bins，然后每一个窗口输出一个265*50的向量送入FC层。

数据的标注

• 正例：ground truth；
• 反例：和ground truth IOU超过30%的窗口。

ROI窗口到Feature Map的映射

可以参考原文以及下面的博文链接，暂时还没有理解透彻。

检测窗口到Feature Map的映射