SPP空間金字塔池化學習札記1

作者：程式猿劉小川
大家好，我係渣渣輝…不好意思走錯片場了，重新介紹下自己，我是新來的博主-程式猿劉小川，初來乍到，還望諸位多多包涵。本博主是跨專業學生，剛開始接觸計算機演算法，在學習計算演算法之餘，檢視些許專業論文，在學習時有著一些個人的心得。由於學藝不精，初入演算法，對一些專業上了理解還比較淺，還望諸位看官多多指教。下面就進入正題，由演算法小白劉小川帶大家學習第一篇演算法論文。

• 論文題目《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》

• 論文作者：Kaiming He , Xiangyu Zhang , Shaoqing Ren , and Jian Sun

  各位看官們，這是本博主接觸的第一篇論文，論文所提出的演算法思想的創新點是進行SPP（Spatial Pyramid Pooling 空間金字塔池化），這一點也使得在進行圖片資訊處理的時候，比其他演算法更進一步提高計算速度。在計算機機器學習領域，有挺多不同的演算法，這些演算法在一些基礎演算法上不斷地優化、改進、創新，從基礎演算法發展到CNN（Convolutional Neural Network卷積神經網路）、R-CNN、、Fast-RCNN、Faster-RCNN和SSD等。而本篇論文研究的演算法就是與R-CNN進行相對的比較，SPP演算法在計算速度上比R-CNN演算法快上近100倍。
  在我們所學習的現有的CNN演算法中，對於已經確定的網路結構中，再輸入原始圖片時，需要對圖片進行固定大小的輸入，比如224x224、32x32、96x96等尺寸。然而再輸入時，只能輸入特定大小的圖片，對於眾多的圖片便需要進行Crop（剪裁）、Swap（轉換）或者扭曲變形等。但是在進行這些操作之後，在一定程度上會造成圖片資訊的損失或失真，會降低影象識別檢測的精度。在進行CNN演算法的缺陷分析之後，想到了優化方案，那就是今天所以一直講解對的SPP演算法。
  SPP演算法的有點在於：在已經確定的網路結構中，可以輸入任意尺寸的圖片，可以不經過剪裁變形等操作，這樣確保了圖片資訊的真實度，提高了影象處理速度和效率，當然在提高速度的同時，精度也有所提高。
  

  
  正如所見上圖便是CNN演算法的剪裁、變形示例，這種方式處理的圖片限制了識別的精確度。
  在傳統的CNN演算法中，其影象處理的操作流程是：圖片經過裁剪、變形後，進行不斷的卷積計算，得到卷積層，而後影象處理進入全連線層，而全連線層它就是限制影象大小的罪魁禍首，它需要固定大小的輸入。
  然而，SPP演算法就是來解決這個問題的，使用SPP這種影象處理方式，便能讓任何大小的圖片輸入網路，使得整個網路結構與R-CNN有所不同。
  
  好吧，本博主先就寫到這兒吧，各位看官還有需要觀看的，請關注博主，等待後續的博文更新…