Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition--SPP-net论文笔记

最新推荐文章于 2025-05-31 16:03:38 发布
原创 最新推荐文章于 2025-05-31 16:03:38 发布 · 1.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#cnn

SPP-net解决了传统CNNs网络对输入图像尺寸的限制，并极大提高了R-CNN框架的速度与效率。通过在网络中加入空间金字塔池化层(SPP)，使得网络能够处理任意尺寸的图像输入，直接从特征图提取固定长度的特征。
部署运行你感兴趣的模型镜像

一、为什么提出SPP-net

  • 传统的CNNs网络的不足：对输入图像要求固定尺寸，其原因是网络最后面的全连接层要求是固定长度的特征向量。
  • R-CNN框架发现，对图像提完region proposal（2000个左右）之后将每个proposal当成一张图像进行后续处理(CNN提特征+SVM分类)，实际上对一张图像进行了2000次提特征和分类的过程，速度很慢！

二、什么是SPP-net

在CNN网络中最后一个卷积层与全连接层之间，嵌入SPP层，对前一个conv层的子区域（对应于候选区域）进行空间金字塔池化（SPP），输出一个固定长度的特征表示。如下图所示，SPP将对应于候选区域的上一层特征图上的子区域提取固定长度特征，其方法是子区域划分为4×4、2×2、1×1的块，然后对每一个这样的块进行池化（pooling）（文章用的是max-pooling），最后将池化后的结果作为输出特征，这个特征的长度是固定的。像在下图中，256是特征图的数量，-d是dimension的意思，不是减d。

SPP-net

三、SPP-net的优点

  • 而SPP-net的图像输入可以任意尺寸。
  • 与R-CNN相比，SPP-net更快、更高效。SPP-net网络对一张图像只处理一次，直接在特征图（feature map）上用SPP提取固定长度的特征; 而R-CNN网络对每一个候选区域（一般有以千计的候选区域）都要经过CNN网络提取特征。

四、SPP-net的缺点

  • 训练分为多个阶段，步骤繁琐: 微调网络+训练SVM+训练训练边框回归器

四、SPP-net的适用场合

  • 图像分类（image classification）
  • 目标检测（object detection）

您可能感兴趣的与本文相关的镜像

Anything-LLM

Anything-LLM

AI应用

AnythingLLM是一个全栈应用程序，可以使用商用或开源的LLM/嵌入器/语义向量数据库模型，帮助用户在本地或云端搭建个性化的聊天机器人系统，且无需复杂设置

【深度学习论文笔记】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
1983的专栏
07-22 4万+
文章：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 来源：Technicalreport 大意：通过图像金字塔来实现识别中的尺度无关性； 作者：Kaiming He ，Xiangyu Zhang, Shaoqing Ren, Jian Sun ,来自微软 内容：
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 论文阅读笔记
qq_56206004的博客
08-22 1046
作者使用使用ZF-5（单尺度训练）的SPP-Net模型从整个图像中提取特征图，在2000个候选区域中，使用4层空间金字塔（{1×1, 2×2, 3×3, 6×6}，共50个bins）进行特征池化，生成每个窗口的12,800维（256×50）表示，最后对每个类别，在提取的特征上训练线性分类器SVM。在R-CNN中，经过SS算法选出来的每一个候选区域都要经过一次CNN，由于后面全连接层的限制，所以候选区域在进入CNN之前，要将候选区域进行固定尺寸的缩放，如下图上方的框架，多层级池化对目标的形变具有鲁棒性。
【论文阅读】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
qq_34222839的博客
05-31 1175
SPP-net
Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition——深度卷积网络中的空间金字塔池化用于视觉识别
Together_CZ的博客
12-12 1331
Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition——深度卷积网络中的空间金字塔池化用于视觉识别
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)
椰子奶糖的博客
06-30 1317
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 文章目录Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition参考链接IntroductionDEEP NETWORKS WITH SPATIAL PYRAMID POOLINGConvolutional Layers and Feature MapsTh
《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》
正在挣扎中的人
11-15 1658
1. 研究问题 流行的CNN由于全连接层的存在，需要固定尺寸的输入图像，这限制了输入图像的纵横比和尺度，当前方法主要通过裁剪或变形将输入图像变换到固定尺寸，这样会导致图像内容的丢失或失真，从而影响图像识别的准确性。 2. 研究方法 将空间金字塔池化（SPP）加入卷积网络中，生成固定长度的输出特征，而与输入图像的尺寸无关，然后将该特征馈入全连接层或分类器中，完成各种视觉任务。 空间金字塔池化层（The Spatial Pyramid Pooling Layer） 文章以AlexNet为例，讨论SPP laye
论文精读：SPPnet:Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition
qq_52053775的博客
05-28 1460
1.提出背景 现有的深度卷积神经网络(CNN)需要一个固定大小的（例如，224×224）的输入图像。这一要求是“人工的”，可能会降低对任意大小/尺度的图像或子图像的识别精度。 2.做了什么 作者为网络配备了另一种池化策略，“空间金字塔池”，以消除上述需求。新的网络结构，称为SPP-net，可以生成一个固定长度的表示，而不管图像的大小/规模。金字塔池对对象变形也具有鲁棒性。有了这些优点，SPP-net一般应该改进所有基于cnn的图像分类方法。 3.主要内容 3.1 Abstract ...
【论文简述及翻译】Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition（PAMI 2015）
qq_43307074的博客
11-14 2511
【论文简述及翻译】Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition（PAMI 2015）
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition、SPP-Net、空间金字塔池化
吉良的博客
06-03 459
空间金字塔池化 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition、SPP-Net、空间金字塔池化 一、相关理论   本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，这篇paper主要的创新点在于提出了空间金字塔池化
[论文笔记]Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
wait1ess的博客
05-21 769
参考自博客：http://sinb.github.io/Whatyouknowabout/spp-net-1/ https://blog.csdn.net/xzzppp/article/details/51377731 使用过卷积神经网络(CNN)的人都知道,训练数据的维度都是相同的,这样经过卷积池化后,得到的特征维度才能相同,进而才能将特征输入到分类器中训练分类器.输入维度相同这个限制太大了,这...
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
05-21
Existing deep convolutional neural networks (CNNs) require a fixed-size (e.g., 224224) input image. This requirement is “artificial” and may reduce the recognition accuracy for the images or sub-...
【CV论文精读】【SPPnet】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
weixin_44184852的博客
03-04 894
现有的深度卷积神经网络（CNN）需要固定大小（例如224 × 224）的输入图像。这种要求是“人为的”，可能会损害任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了一个更有原则的池化策略，“空间金字塔池化”，以消除上述要求。新的网络结构称为SPP-net，可以生成固定长度的表示，而不管图像大小/比例。通过消除固定大小的限制，我们可以改进所有基于CNN的图像分类方法。
Region-based Convolutional Networks for Accurate Object Detection and Segmentation----R-CNN论文笔记
StepLeave的博客
06-25 3593
一、为什么提出R-CNN目标检测性能停滞不前，性能最好的集成方法又太复杂，所以作者提出了一个既能大幅提升性能，又更简单的R-CNN。二、R-CNN的框架上面的框架图清晰的给出了R-CNN的目标检测流程：1) 输入测试图像2) 利用selective search算法在图像中提取2000个左右的region proposal。3) 将每个region proposal变换（warp）成227x227
Phased LSTM
StepLeave的博客
12-26 2622
Phased LSTM
Selective Search for Object Recognition----论文笔记
StepLeave的博客
06-26 1811
一、为什么提出selective search1）exhaustive search缺点多，像搜索域大（计算量大）、搜索尺度固定。2）传统的segmentation方法，依赖于单个强大的算法，计算开销大。selective search用多个融合准则（grouping criteria）和表达（representation）来处理各种图像内容（三个臭皮匠，赛过一个诸葛亮）。二、selective s
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks----论文笔记
StepLeave的博客
06-28 1114
一、为什么提出Faster R-CNNFaster R-CNN的前身Fast R-CNN能达到实时检测，如果不考虑它用selective search计算region proposal所花时间的话。为此作者提出了Region Proposal Network(RPN)，该深度网络通过共享卷积网络，使计算region proposal的时间几乎可以忽略不计（10 ms/图）！
Fast R-CNN 论文笔记
StepLeave的博客
06-27 1038
Fast R-CNN 论文笔记一、为什么提出Fast R-CNN因为Fast R-CNN的前任R-CNN和SPP-net不给力。R-CNN训练分为多个阶段，步骤繁琐: 微调网络+训练SVM+训练边框回归器; 训练耗时又耗内存; 目标检测又慢。SPP-net虽然比R-CNN快一些，但和R-CNN同样存在训练步骤繁锁的问题，而且无法更新SPP-net之前的卷积层。二、Fast R-CNN的框架Fast
yubaolee_OpenAuthNet_25456_1764964690631.zip
最新发布
12-07
yubaolee_OpenAuthNet_25456_1764964690631.zip
SPP-net论文
03-16
### SPP-Net 论文概述 SPP-Net 是一种基于深度卷积神经网络的空间金字塔池化方法，其核心在于通过引入空间金字塔池化（Spatial Pyramid Pooling, SPP）层，使得模型能够接受任意尺寸的输入图像，并生成固定长度的特征表示[^1]。这种方法突破了传统卷积神经网络对输入图像尺寸固定的限制。 #### SPP-Net 的主要特点 SPP-Net 在最后一个卷积层之后加入了一个 SPP 层，该层通过对特征图进行多尺度池化操作，生成固定长度的输出向量[^2]。这一特性允许网络在不改变整体结构的情况下适应不同分辨率的输入数据。此外，SPP-Net 不仅适用于图像分类任务，在目标检测领域也表现出显著优势[^4]。 #### SPP-Net 的工作原理 SPP-Net 的基本流程如下： 1. 输入图像经过一系列卷积层提取特征； 2. 特征图被传递到 SPP 层，其中通过多个子区域划分实现多层次的信息聚合； 3. 聚合后的特征被展平为一维向量，并作为后续全连接层或分类器的输入[^3]。 以下是 SPP-Net 中的关键代码片段展示如何实现空间金字塔池化： ```python import torch.nn as nn class SpatialPyramidPooling(nn.Module): def __init__(self, pool_sizes=[1, 2, 4]): super(SpatialPyramidPooling, self).__init__() self.pool_sizes = pool_sizes def forward(self, x): N, C, H, W = x.size() pooled_features = [] for size in self.pool_sizes: kernel_size = (H // size, W // size) stride = kernel_size padding = (0, 0) pooled = nn.functional.max_pool2d(x, kernel_size=kernel_size, stride=stride, padding=padding) pooled_features.append(pooled.view(N, -1)) return torch.cat(pooled_features, dim=1) ``` 上述代码定义了一个简单的 SPP 实现方式，支持多种池化级别配置。 #### 如何获取 SPP-Net 原始论文？ 原始论文由何恺明等人撰写，标题为 **《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》**，于 2015 年发表在 IEEE 上。可以通过以下途径下载： - 使用学术搜索引擎如 Google Scholar 搜索论文标题。 - 进入 IEEE 官方网站查询相关内容。 - 利用机构访问权限或者开放存取资源库（如 arXiv）检索 PDF 文件。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值