首先對比一下RCNN和SPPNet的流程：

上面是RCNN流程，下面是SPPNet流程。

兩者的共同點：都要先使用selective search選取可能的區域。

兩者的不同點：RCNN對選擇出來的每個影象區域進行卷積，提取特徵，而SPPnet使用共享卷積，對輸入影象進行一次卷積即可，然後將選擇出來的每個影象區域通過座標對映，對應到特徵圖上。

這是SPPnet的改進之處了，原來RCNN是對每一個候選框都進行卷積，提特徵，SPPnet通過一次卷積的方式避免了重複計算問題。要一次卷積的話，就需要解決點與點之間的匹配，也就是說原影象的座標經過對映之後到特徵圖上的座標。這個其實是很容易想到的，對於卷積網路而言，只有stride才會改變網路的尺寸，所以對於左上角和右下角的座標計算的方法如下：

這裡的s是所有stride的乘積。

這樣一幅圖片經過卷積之後，對應的特徵位置就能夠找到，但是由於各個框的大小不一致，而神經網路則是要求輸入的大小要相同，為了解決這個問題RCNN通過裁剪縮放的辦法來解決這個問題，但是這樣會帶來精度的損失，你看，好好一幅圖，左右兩邊明顯看著就不一樣。於是作者就提出了空間池化層來改善這個問題。

這個空間池化層其實思想也分簡單，把每一個邊框，分成3個層次去池化，也就是說將圖片劃分為4*4的小格，每個小格取一個數，2*2的小格每個小格進行池化和對整張影象進行全域性池化，然後在合併起來，這樣得到的輸出就是固定的，具體見下圖

為了有助於理解，我重新畫了一下spp的處理過程：

如圖所示，對於選擇的不同大小的區域對應到卷積之後的特徵圖上，得到的也是大小不一致的特徵圖區域，厚度為256，對於每個區域（厚度為256），通過三種劃分方式進行池化：

（1）直接對整個區域池化，每層得到一個點，共256個點，構成一個1x256的向量

（2）將區域劃分成2x2的格子，每個格子池化，得到一個1x256的向量，共2x2=4個格子，最終得到4個1x256的向量

（3）將區域劃分成4x4的格子，每個格子池化，得到一個1x256的向量，共4x4=16個格子，最終得到16個1x256的向量

將三種劃分方式池化得到的結果進行拼接，得到(1+4+16)*256=21*256的特徵。

由圖中可以看出，整個過程對於輸入的尺寸大小完全無關，因此可以處理任意尺寸的候選框。

空間池化層實際就是一種自適應的層，這樣無論你的輸入是什麼尺寸，輸出都是固定的（21xchannel）。SPPNet改變了卷積的順序，提出了自適應的池化層，避免了預測框大小不一致所帶來的問題。從這個結構設計上來看，整體也非常巧妙，不像RCNN那樣蠻力求解。