Space Pyramid Pooling+变尺度CNN训练

1. 需求创造好的产品，产品拓宽原始的需求

当前的深度神经网络普遍采用固定输入图像尺寸（如224×224像素）作为标准。这种设计虽很显然是由于技术限制所导致的人为规定，并非自然规律。其潜在缺陷会显著影响识别精度（为了实现统一图像尺寸，在实际应用中必须对原始图像进行比例或非比例缩放），这不仅会导致信息丢失还可能引入尺度误差与形变误差等负面影响。何凯明团队的主要贡献在于成功整合了多尺度特征提取的技术到现有的深度学习架构中，并提出了多分辨率搜索的思想框架。通过这种方法可以在同一模型框架下实现多尺度特征的学习与提取，在提升分类性能的同时也显著提升了目标检测的精度（核心机制在于生成具有固定长度的描述子）。空间金字塔池化（SPP）算法作为一种经典的多层次特征融合方法，在面对目标形状变化时表现出很强的鲁棒性

2. 从目标检测RCNN入手

RCNN的目标检测流程主要依赖于CNN作为特征提取器，并结合Box Regression技术。然而，在处理每个区域候选时，RCNN需将输入图像缩放到固定大小（[...]），并在此基础上提取CNN特征。整个过程面临的主要挑战是运算速度较慢和计算资源