Какво е пространствено пирамидално пулене?

Пространственото пирамидално пулуване (SPP) е техника в компютърното зрение, която позволява извличането на характеристики с фиксиран размер от входни изображения с различен размер без необходимостта от предварително мащабиране.

Идеята е, че вместо просто глобално пулуване (например max pooling), се прилага йерархия от пулувания с различни размери на прозорците, разделяйки изображението на няколко нива (пирамидa), например 1x1, 2x2, 4x4 и т.н. На всяко ниво се взимат максимумите в съответните региони, а след това всички резултати се обединяват в един вектор с фиксирана дължина.

Това позволява на невронните мрежи да работят с изображения с произволен размер, като същевременно запазват пространствената информация на различни мащаби.

Пример: ако имате изображение, можете да го разделите на 4 квадрата (2x2), да вземете максимумите във всеки, след това на 16 квадрата (4x4) и така нататък, а след това да обедините всички тези стойности в един вектор.

SPP често се използва в архитектури на CNN за подобряване на гъвкавостта и качеството на разпознаване.