空间金字塔池化(Spatial Pyramid Pooling, SPP)

空间金字塔池化(Spatial Pyramid Pooling, SPP)

在SPPnet和Fast-RCNN中都用到了空间金字塔池化(Spatial Pyramid Pooling, SPP)来提高object detection的效率。SPP本质的目的是为了使得CNN可以接受任意尺寸的输入图片，从而避免了图像预处理中要将图片resize到统一尺寸这个限制。

SPPnet论文中给出了如下的图示：

给定一张任意尺寸的输入图片，首先经过一个网络，得到某卷积层的输出（即图中Conv5的输出）；之后经过三个不同的池化层，分别得到$16\times 256$维、$4\times 256$维和$1\times 256$维的向量，将这些向量拼接起来，即得到固定长度的特征向量（fixed-length representation，这里长度为5376）。无论输入的图片是任何尺寸的，我们都可以得到长度为5376的特征向量。

卷积层实际上并不受限于输入图像的尺寸，无论给定什么尺寸的图，卷积都是可以进行的。然而后面的全连接层就不行了，必须接受固定尺寸的输入。所以通过上述的金字塔池化，就可以解决全连接层的输入问题。从而使得网络可以接受任意尺寸的输入图片。

单看论文还是不好理解，到底是如何操作的。我们从代码的角度来看下是如何实现的，最后再证明下这样确实是可行的。

import torch.nn as nn
import torch

def spatial_pyramid_pool(previous_conv, num_sample, previous_conv_size, out_pool_size):
    '''
    previous_conv: a tensor vector of previous convolution layer
    num_sample: an int number of image in the batch
    previous_conv_size: an int vector [height, width] of the matrix features size of previous convolution layer
    out_pool_size: a int vector of expected output size of max pooling layer
    
    returns: a tensor vector with shape [1 x n] is the concentration of multi-level pooling
    '''    
    print(previous_conv.size())
    for i in range(len(out_pool_size)):
        h_wid = int(math.ceil(previous_conv_size[0] / out_pool_size[i]))
        w_wid = int(math.ceil(previous_conv_size[1] / out_pool_size[i]))
        h_pad = int((h_wid*out_pool_size[i] - previous_conv_size[0] + 1)/2)
        w_pad = int((w_wid*out_pool_size[i] - previous_conv_size[1] + 1)/2)
        print (h_wid, w_wid,h_pad,w_pad)
        maxpool = nn.MaxPool2d((h_wid, w_wid), stride=(h_wid, w_wid), padding=(h_pad, w_pad))
        x = maxpool(previous_conv)
        if(i == 0):
            spp = x.view(num_sample,-1)
        else:
            spp = torch.cat((spp,x.view(num_sample,-1)), 1)
    return spp

假如这里输入的feature map即previous_conv的channel为512，out_pool_size=[4，2，1]。则经过这三个池化层，我们分别得到$4\times 4\times 512$，$2\times 2\times 512$ 和 $1\times 1\times 512$的feature map。展开拼接后得到10752维度的特征向量。

根据上述代码，我们可以得到计算的公式：

• 设输入尺寸为：$W_{in}\times H_{in}\times C_{in}$。
• 设期望的池化层输出尺寸为：$n$。这里池化不改变channel，所以$C_{out}=C_{in}$。即输出尺寸为$n\times n\times C_{out}$。

池化层的kernel_size：

$$\begin{gathered} F_w=\lceil \frac{W_{in}}{n}\rceil \\ {F}_{} \end{gathered}$$