空间金字塔池化 (SPP)

空间金字塔池化（Spatial Pyramid Pooling, SPP）是卷积神经网络中一种关键的池化策略，旨在解决传统全连接层对输入特征图尺寸严格依赖的问题。其核心思想是将任意尺寸的卷积特征图划分为多个不同大小的网格（金字塔结构），分别对每个网格执行最大池化操作，从而提取多尺度下的显著特征。随后，将这些不同尺度的特征向量拼接并输入全连接层，使模型能够直接处理任意分辨率的输入，显著提升了网络对目标物体尺度变化的鲁棒性，是早期目标检测与图像分类任务中的标准组件。

在现代计算架构与计算机视觉生态中，空间金字塔池化扮演了连接卷积特征提取与全连接分类决策的关键桥梁角色。它通过引入多尺度感知机制，有效缓解了传统CNN在处理变尺度目标时的敏感性，成为从AlexNet到ResNet早期版本中不可或缺的技术模块。尽管随着Transformer架构的兴起，其地位有所变化，但在轻量级模型、实时检测系统及对计算资源受限场景下，SPP凭借其极低的内存开销和高效的特征聚合能力，依然保持着重要的工程实用价值，是理解现代视觉算法演进的重要基石。