前幾個CNN檢測的框架要求網路的影象輸入為固定長寬，而SPP-Net在CNN結構中添加了一個實現影象金字塔功能的卷積層SPP層，用於在網路中實現多尺度卷積，由此對應多尺度輸入，以此應對影象的縮放變換和仿射變換。

一、文章的主要思想

       考慮到傳統的CNN構架的輸入影象的尺寸都是固定的（例如：256*256），這種人工改變輸入影象的尺寸破壞了輸入影象的尺度和長寬比例。作者認為卷積層的輸入的尺寸可以是任意，全連線層的輸入是固定不變。針對這個問題，作者提出了spatial pyramid pooling（SPP-net）結構，在目標檢測方面，比R-CNN快30-170倍。

二、spatial pyramid pooling（SPP-net）的優勢

        1、針對不同尺寸的輸入可以得到相同維度的輸出，而siding window pooling 做不到；

        2、SPP使用multi-level spatial bins, 而siding window pooling採用的單一的視窗，multi-level對目標變形非常魯棒；

        3、由於輸入尺寸的可變性，SPP可以提取不同尺度的特徵。

           這樣就可以省去對輸入影象進行標準化的麻煩,可以節省大量人力。

三、Deep Networks with Spatial Pyramid Pooling

特徵提取的過程其實很簡單，就是將SPP放在卷積層的最後一層，pooling層以前，將相當於用SPP代替最後一層pooling。假設最後一層卷積層有256個maps，每個maps的尺寸為a*a，n*n個bins。那麼採用視窗win=ceil（a/n）和步長str=floor（a/n）的max-pooling。最後將所有的特徵級聯起來作為全連線層的輸入。這樣就保證了無論輸入影象的尺寸，輸入全連線層的輸入都有同樣的大小。示意圖如下：

四、實驗結果

           從這個結果來看，確實有不少的提升。在ILSVRC比賽獲得了第二名？

五、論文總結

     本論文的思想主要還是基於SPM的思想，將CNN和SPM進行了結合，值得借鑑。並且提到了再訓練模型的時候，採用不同的尺寸輸入交替訓練，這種思想還是首次提到。

     增加一層神經元消畸變和尺度變換.