记录yolov5目标检测算法学习（主要模块学习之sppf模块）23/10/19

上两篇讲完了conv和c3模块，本篇来介绍一下sppf模块

spp和sppf

spp的全称是Spatial Pyramid Pooling，意思是空间金字塔池化，是一种用于图像识别和目标检测的技术，其作用是在不同尺度下对图像进行特征提取和编码，它可以将任意大小的输入图像重新缩放到固定大小，并生成固定长度的特征向量。而sppf，就是把spp原来并行的结构改成了串行结构，减少了计算量（速度更快，f即fast），而且发挥spp相同的作用

结构图：

在本结构中，maxPool2d是max pooling操作的一种实现方式

max pooling是一种常用的池化操作，用于减少卷积神经网络中特征图的维度。它通过在不重叠的小区域内选择最大值来实现。
 
其作用主要有以下几个方面：
 
1.特征压缩：max pooling将每个小区域内的最大值作为该区域的代表，
因此可以减少特征图的尺寸和参数数量，从而降低计算复杂度，并且可以有效地抽取主要的特征信息。
 
2.位置不变性：由于max pooling只保留了每个小区域内的最大值，
因此对输入特征的微小偏移或变形不敏感，使得神经网络具有一定的平移不变性和旋转不变性。
 
3.特征提取：max pooling通过选择每个小区域内的最大值，
可帮助提取图像中最显著的特征，如边缘、纹理等，从而更好地捕捉有用的信息，提高模型的判别能力。

max pooling用于减少特征图的维度，在sppf模块中，首先经过一次conv模块完成对输入特征图的一次压缩操作，然后进行3次串行的一模一样的MaxPool2d，spp则是经过3个kernel_size分别为5，9，13的MaxPool2d，也就是说

两次串行的MaxPool2d等效于kernel_size为5和9的两个并行MaxPool2d，三次串行的MaxPool2d等效于kernel_size为5，9，13的三个并行MaxPool2d，当然这好像并不是什么重点，反正本人目前认为sppf就是不仅能更快地完成spp的所有工作，还没有什么副作用，那何必还去细究spp？

sppf的concat模块会针对3次池化操作后及池化前的4个维度的特征图进行融合，融合完特征再进行一次conv模块升维，所以我们惊奇的发现，在backbone部分中，输入sppf模块的特征图是20*20*1024，最后输出结果仍然是20*20*1024，似乎并没有完成所谓的“输出固定特征向量”的操作，所以个人理解，sppf在yolov5中的主要作用是融合多尺度特征。将同一特征图不同尺度下的特征融合到一起，丰富特征图的语义特征。
​