SPP-Net(Spatial Pyramid Pooling Net)
RCNN的进化中SPP Net的思想对其贡献很大，这里也简单介绍一下SPP-Net。
SPP-Net的作者是何凯明。R-CNN的最大瓶颈是2k个候选区域都要经过一次CNN，速度非常慢。SPP-net最大的改进是只需要将原图做一次卷积操作，就可以得到每个候选区域的特征。
上图中的第1行是RCNN,第2行是SPP-Net
SPP-Net是先做一次卷积，然后是金字塔池化层，在fc,最后得到结果。重点是金字塔池化层
特征映射
先介绍下特征映射，对卷积层可视化发现：输入图片的某个位置的特征反应在特征图上也是在相同位置。
我们将ss算法提供的2000个候选区域的位置记录下来，通过比例映射到conv5输出的feature map上，提取出候选区域的特征图m，然后将m送入到金字塔池化层中进行计算。
上面最左边第1张图片的右下角有1辆出租车，对特征图作可视化发现
特征图右下角颜色比较亮，说明数值比较大，说明有比较重要的特征，很有可能就是出租车的特征。
一张图片同样的用ss算法得到2000个候选区域；
这张图片做1次卷积，得到很多的特征图；
就可以用特征映射的方法将2000个候选区域映射到特征图上
候选区域大的，其特征图也会大；候选区域小的，其特征图也会小，
但是后面要训练回归器和分类器，这2000个候选区域提取出来的特征必须是相同的维度。这个问题需要金字塔池化层来解决。
金字塔池化
把不同大小的特征图变成相同的数据
有3种池化方法，最右边的是对整张特征图做池化，提取到特征图上最大的值；
中间的是把特征图划分成4个区域，分别提取每个区域里面的最大值，得到4个值；
最左边的把特征图划分成16个区域，分别提取每个区域里面的最大值，得到16个值；
通过上面的操作，任何尺寸的特征图都会得到1+4+16=21个值。
SPP-Net的图像检测速度大约比RCNN提升了100倍。