Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
    2014
    Kaiming He
    论文解析：
    目标检测——SPPNet https://blog.csdn.net/weixin_43624538/article/details/87966601
    空间金字塔池化（SPP） https://zhuanlan.zhihu.com/p/64510297
    空间金字塔池化（Spatial Pyramid Pooling, SPP）原理和代码实现（Pytorch）
    https://blog.csdn.net/qq_42052229/article/details/90446073

    SPP的多尺度训练
    https://blog.csdn.net/tyfwin/article/details/109696825
    关键创新点：

    1. 测试图像可以是任意尺寸
    2. 通过空间金字塔池化来降维（统一化）

    训练方法：

    训练的时候，我们需要一个batch一个batch的训练，这每一个batch的维度是相同的，意味着，这一个batch内的图像input size是相同的，才能训练。除非我们一张一张的训练，这样就会带来其他的很多问题。

    所以在训练的时候，往往采用几种不同尺度的size的input，对同一个网络分别进行训练。
    而测试时候，因为一般是一张一张的，所以可以任意size的图像input。

    适用领域：
    可以尝试放在隐写分析当中，因为隐写分析的一大难题是如何应对全尺寸的输入。