0. 参考
https://zhuanlan.zhihu.com/p/34053764
1. 论文概况
1. Motivation
当前的CNNs，fc需要固定大小的输入，因此需要输入图像尺寸固定，于是crop/warp，但这样可能会产生物体截断或拉伸，会导致输入CNN的图像信息丢失，降低了识别的精度。
提速：只做一次CNN特征提取，然后将每个region proposal的卷积层特征输入到全连接层做后续操作；现在的问题是每个region proposal的尺度不一样，直接这样输入全连接层肯定是不行的，因为全连接层输入必须是固定的长度，于是提出了SPP-Net。
2. 解决什么问题？
- R-CNN需要对图片的每个proposals都提取特征，速度慢、且占用大量资源。
3. 提出了什么方法？
- 采用空间金字塔池化（Spatial Pyramid Pooling ）替换了全连接层之前的最后一个池化层，于是没必要进行crop/warp图像归一化过程，且仅需做一次CNN特征提取即可（卷积共享）；
4. 效果如何？
- 分类任务：在各CNN结构模型上的表现均有提升；
- 物体检测任务：大幅度提高的训练、测试速度，精度也有显著提升（ImageNet2014 排名第二），为后续的Fast R-CNN提供了思路。
5. 还存在什么问题？
- 因为SPP融合了多个不同的maxpooling，训练时BP比较麻烦，无法将梯度回传到backbone进行参数更新，因此在微调网络的时候固定了卷积层，只对全连接层进行微调，而对于一个新的任务，有必要对卷积层也进行微调。（分类的模型提取的特征更注重高层语义，而目标检测任务除了语义信息还需要目标的位置信息）。
- 和RCNN一样，训练过程仍然是隔离的，提取候选框、计算CNN特征、SVM分类、Bounding Box回归独立训练，所以大量的中间结果需要转存，无法整体训练参数；
- SPP-Net在无法同时Tuning在SPP-Layer两边的卷积层和全连接层，很大程度上限制了深度CNN的效果；
- selective search产生proposals仍然很耗时；
2. 核心思想
2.1 空间金字塔池化——SPP
当输入的feature map尺寸不一致时（这里指的是feature map的长、宽不一致，但通道数保持一致），输出的特征向量纬度保持一致。
SPP代替原有的maxpool，作为卷积层与全连接层之间的桥梁，使得全连接层的输入尺寸固定，网络输入图像尺寸不固定。
