Czym jest spatial pyramid pooling?

Przestrzenne Piramidalne Pooling (SPP) to technika w wizji komputerowej, która pozwala na wyodrębnianie cech o stałym rozmiarze z wejściowych obrazów o różnych rozmiarach bez konieczności ich wcześniejszego skalowania.

Idea polega na tym, że zamiast prostego globalnego pooling (np. max pooling), stosuje się hierarchię poolingów o różnych rozmiarach okien, dzieląc obraz na kilka poziomów (piramidę), np. 1x1, 2x2, 4x4 itd. Na każdym poziomie wybierane są maksima w odpowiednich regionach, a następnie wszystkie wyniki są łączone w wektor o stałej długości.

Pozwala to sieciom neuronowym pracować z obrazami dowolnego rozmiaru, zachowując informacje przestrzenne na różnych skalach.

Przykład: jeśli masz obraz, możesz podzielić go na 4 kwadraty (2x2), wybrać maksimum w każdym, następnie na 16 kwadratów (4x4) i tak dalej, a potem złączyć wszystkie te wartości w jeden wektor.

SPP jest często używany w architekturach CNN, aby poprawić elastyczność i jakość rozpoznawania.