SPP-Net（Spatial Pyramid Pooling Network）论文笔记

川长思鸟来 2022-05-13 14:58 272阅读 0赞

# 1. 论文思想 #

SPP-Net的提出首先是为了解决传统CNN网络对于输入图像尺寸具有严格的大小限制，其原因也就是最后的全连接层需要的输入尺寸是固定的。那么对于一副比较大的图像就需要进行剪裁了，如下图所示：  
![在这里插入图片描述][70]  
但是这样会造成数据失真以及数据的不完整。那么，要使CNN网络可以接受任意图像尺寸的输入，那就需要将提供给全连接层的参数量固定下来，这就需要SPP-Net了，也就是上图中下面的结构。其是在最后一个卷积的基础上增加一个SPP层，使得给卷积的数据固定，从而使得网络可以输入任意尺寸的图像。  
对于分类问题，在Pascal VOC 2007和Caltech101数据集上，SPP-net使用单一的全图像表示，无需微调，就能实现较好的分类结果；对于目标检测问题上，使用SPP-net，网络只从整个图像计算特征映射一次，然后在任意区域(子图像)中汇集特征，生成固定长度的表示，以训练检测器，避免了重复计算卷积的特征，在Pascal VOC 2007取得了与RCNN一致甚至更好的检测结果，并且速度快于RCNN。  
SPP-Net具有的特点  
（1）不管输入的尺寸如何，网络输出的大小总是固定的  
（2）在多个空间尺度上使用单个滑动窗，多尺度是为了提升性能  
（3）由于输入尺度的灵活性，SPP可以在可变尺度下提取特征

# 2. SPP Layer #

CNN网络中卷积层是对输入数据的尺寸不做要求的，但是后面接的全连接层就有要求了，论文里面借鉴了BOW模型的思想，目的就是让特征表达的数目或者维度固定下来。  
在这篇论文里面是采用空间金字塔的思想，限定输出的数据，其网络结构如下：

![在这里插入图片描述][70 1]  
下面是一个典型3层结构的SP-Net结构：  
![在这里插入图片描述][70 2]  
在上图中网络包含了 3 ∗ 3 , 2 ∗ 2 , 1 ∗ 1 3\*3, 2\*2, 1\*1 3∗3,2∗2,1∗1的bins（用 n ∗ n n\*n n∗n表示），而需要计算的互动窗口 s i z e X sizeX sizeX与 s t r i d e stride stride论文中是通过向上取整和向下取整实现的，对于输入的feature map大小为 a ∗ a a\*a a∗a，则前面的两个参数可以通过如下计算得到：  
 s i z e X = a / n \[ 向 上 取 整 \] sizeX = a/n\[向上取整\] sizeX=a/n\[向上取整\]  
 s i z e X = a / n \[ 向 下 取 整 \] sizeX = a/n\[向下取整\] sizeX=a/n\[向下取整\]

# 3. Caffe中的实现 #

## 3.1 Caffe中的运用 ##

首先来看下在proto文件中SPP的定义：

#caffe.proto中的关于SPP层参数的定义
    message SPPParameter {
      enum PoolMethod {
        MAX = 0;
        AVE = 1;
        STOCHASTIC = 2;
      }
      optional uint32 pyramid_height = 1;
      optional PoolMethod pool = 2 [default = MAX]; // The pooling method
      enum Engine {
        DEFAULT = 0;
        CAFFE = 1;
        CUDNN = 2;
      }
      optional Engine engine = 6 [default = DEFAULT];
    }

接下来是在Caffe的prototxt中该如何定义：

# SPP网络定义范例
    #之前的Pooling层
    #layer {
    #  name: "pool5"
    #  type: "Pooling"
    #  bottom: "conv5"
    #  top: "pool5"
    #  pooling_param {
    #    pool: MAX
    #    kernel_size: 3
    #    stride: 2
    # }
    #}
    layer {
      name: "spatial_pyramid_pooling"
      type: "SPP"
      bottom: "conv5"
      top: "pool5"
      spp_param {
        pool: MAX
        pyramid_height: 2 # SPP的level的数量
      }
    }

## 3.2 SPP-Net在Caffe中的实现 ##

首先还是来看看SPP-Net在Caffe中的整体结构是什么样子的

for (int i = 0; i < pyramid_height_; i++) {
        // pooling layer input holders setup  整个pooling结构的输入输出数据存放位置
        pooling_bottom_vecs_.push_back(new vector<Blob<Dtype>*>);
        pooling_bottom_vecs_[i]->push_back(split_top_vec_[i]);
    
        // pooling layer output holders setup
        pooling_outputs_.push_back(new Blob<Dtype>());
        pooling_top_vecs_.push_back(new vector<Blob<Dtype>*>);
        pooling_top_vecs_[i]->push_back(pooling_outputs_[i]);
    
        // pooling layer setup
        LayerParameter pooling_param = GetPoolingParam( //按照层获得Pooling的参数
            i, bottom_h_, bottom_w_, spp_param);
    
    	//将得到的Pooling参数生成Pooling layer 再关联网络的输入与输出
        pooling_layers_.push_back(shared_ptr<PoolingLayer<Dtype> > (
            new PoolingLayer<Dtype>(pooling_param)));
        pooling_layers_[i]->SetUp(*pooling_bottom_vecs_[i], *pooling_top_vecs_[i]); 
    
        // flatten layer output holders setup flatten 数据准备与参数设置，参数输入为Pooling之后的数据
        flatten_outputs_.push_back(new Blob<Dtype>());
        flatten_top_vecs_.push_back(new vector<Blob<Dtype>*>);
        flatten_top_vecs_[i]->push_back(flatten_outputs_[i]);
    
        // flatten layer setup
        LayerParameter flatten_param;
        flatten_layers_.push_back(new FlattenLayer<Dtype>(flatten_param));
        flatten_layers_[i]->SetUp(*pooling_top_vecs_[i], *flatten_top_vecs_[i]);
    
        // concat layer input holders setup 把flatten之后的数据concat起来
        concat_bottom_vec_.push_back(flatten_outputs_[i]);
      }
    
      // concat layer setup  构建concat层
      
      LayerParameter concat_param;
      concat_layer_.reset(new ConcatLayer<Dtype>(concat_param));
      concat_layer_->SetUp(concat_bottom_vec_, top);

从上面的代码中可以看到，SPP-Net在Caffe中的实现是通过Split\_layer、Pooling\_layer、Concat\_layer实现的，其中会根据当前的pyramid level来设置当前Pooling的参数，那么它里面的参数计算是这样计算完成的。计算过程在GetPoolingParam函数中实现的。

//根据pyramid level确定Pooling的参数
    template <typename Dtype>
    LayerParameter SPPLayer<Dtype>::GetPoolingParam(const int pyramid_level,
          const int bottom_h, const int bottom_w, const SPPParameter spp_param) {
      LayerParameter pooling_param;
      int num_bins = pow(2, pyramid_level); //按照2的幂设置Pooling的参数
    
      // find padding and kernel size so that the pooling is
      // performed across the entire image
      int kernel_h = ceil(bottom_h / static_cast<double>(num_bins));
      // remainder_h is the min number of pixels that need to be padded before
      // entire image height is pooled over with the chosen kernel dimension
      int remainder_h = kernel_h * num_bins - bottom_h;
      // pooling layer pads (2 * pad_h) pixels on the top and bottom of the
      // image.
      int pad_h = (remainder_h + 1) / 2;
    
      // similar logic for width
      int kernel_w = ceil(bottom_w / static_cast<double>(num_bins));
      int remainder_w = kernel_w * num_bins - bottom_w;
      int pad_w = (remainder_w + 1) / 2;
    
      pooling_param.mutable_pooling_param()->set_pad_h(pad_h);
      pooling_param.mutable_pooling_param()->set_pad_w(pad_w);
      pooling_param.mutable_pooling_param()->set_kernel_h(kernel_h);
      pooling_param.mutable_pooling_param()->set_kernel_w(kernel_w);
      pooling_param.mutable_pooling_param()->set_stride_h(kernel_h);
      pooling_param.mutable_pooling_param()->set_stride_w(kernel_w);
    
      switch (spp_param.pool()) {
      case SPPParameter_PoolMethod_MAX:
        pooling_param.mutable_pooling_param()->set_pool(
            PoolingParameter_PoolMethod_MAX);
        break;
      case SPPParameter_PoolMethod_AVE:
        pooling_param.mutable_pooling_param()->set_pool(
            PoolingParameter_PoolMethod_AVE);
        break;
      case SPPParameter_PoolMethod_STOCHASTIC:
        pooling_param.mutable_pooling_param()->set_pool(
            PoolingParameter_PoolMethod_STOCHASTIC);
        break;
      default:
        LOG(FATAL) << "Unknown pooling method.";
      }
    
      return pooling_param;
    }

可以从开始就看到，Pooling参数是按照2的幂次为基础进行计算的。对于SPP-Net的前向传播与反向传播可以参考对应类型层的正反传，其内部也是调用这些层的前向与后向函数实现的。

[70]: /images/20220504/baa6f07b04334d0ab6926a7b0414b4bd.png
[70 1]: /images/20220504/ad2deedc7a114cf3b14fdd8d9246c3f4.png
[70 2]: /images/20220504/daff04461ab8438484a38eeb9f360482.png