SPP: Spatial Pyramid Pooling

最新推荐文章于 2023-12-05 16:25:45 发布

00000cj

最新推荐文章于 2023-12-05 16:25:45 发布

阅读量549

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Backbones 文章标签：深度学习人工智能计算机视觉 cnn pytorch

本文链接：https://blog.youkuaiyun.com/ooooocj/article/details/124529168

Backbones 专栏收录该内容

31 篇文章

订阅专栏

本文介绍了Spatial Pyramid Pooling (SPP) 的创新，如何解决传统网络对输入尺寸限制的问题，以及它在多尺度训练、全图像表示、多视图测试和目标检测中的应用。SPP通过固定输出维度提升模型对形变的鲁棒性，并通过实例和实验展示了其在视觉任务中的优越性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

paper: Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

code: https://github.com/yueruchen/sppnet-pytorch

本文的创新点：

Spatial Pyramid Pooling（SPP）
Multi-Size Training
Full Image Representation
Multi-View Testing
SPP in Object Detection

空间金字塔池化

常见的分类网络都是卷积层+全连接层的结构，而全连接层需要固定输入的维度，因此一般网络的输入也都是固定的，比如常见的224x224。通常对原始图片采用cropping或warping(resize)的方式来获得固定的大小，crop会导致输入没有完全包含目标对象，resize会导致几何失真，如下图所示

因此作者提出了spatial pyramid pooling，在最后一层卷积和全连接层之间加入SPP，既保证了全连接的输入维度是固定的，又不需要固定模型的输入大小。具体做法是：和传统的池化固定窗口大小然后滑动窗口的实现方式不同，SPP是将feature map均分成多个格子(spatial bin)，然后在每个格子里进行池化（文中使用的是max pooling），这里格子的数量是固定的，当输入大小变化时每个格子的大小也按比例变化，但格子数量不变，从而保证了全连接层的输入维度是固定的。如下图所示，当最后一层卷积的输出通道数为256，采用4x4、2x2、1x1的SPP时，SPP的输出向量维度(4x4+2x2+1x1)x256=5376是固定的。

SPP有以下三个优点：

不管输入大小，SPP都能生产一个固定长度的输出
滑动窗口池化只使用一个大小的窗口，SPP使用多层级不同大小的窗口，后者对目标形变鲁棒性更强
由于对输入大小没有限制，SPP可以在可变的不同尺度上提取特征

代码

import math
import torch
import torch.nn as nn


def spatial_pyramid_pool(previous_conv, num_sample, previous_conv_size, out_pool_size):
    """
    previous_conv: a tensor vector of previous convolution layer
    num_sample: an int number of image in the batch
    previous_conv_size: an int vector [height, width] of the matrix features size of previous convolution layer
    out_pool_size: a int vector of expected output size of max pooling layer

    returns: a tensor vector with shape [1 x n] is the concentration of multi-level pooling
    """
    for i in range(len(out_pool_size)):
        h_wid = int(math.ceil(previous_conv_size[0] / out_pool_size[i]))
        w_wid = int(math.ceil(previous_conv_size[1] / out_pool_size[i]))
        h_pad = (h_wid * out_pool_size[i] - previous_conv_size[0] + 1) / 2
        w_pad = (w_wid * out_pool_size[i] - previous_conv_size[1] + 1) / 2
        maxpool = nn.MaxPool2d((h_wid, w_wid), stride=(h_wid, w_wid), padding=(h_pad, w_pad))
        x = maxpool(previous_conv)
        if i == 0:
            spp = x.view(num_sample, -1)
        else:
            spp = torch.cat((spp, x.view(num_sample, -1)), 1)
    return spp

Multi-Size Training

因为SPP对输入大小没有限制，可以通过多尺度训练来模拟不同的输入大小，文中采用224x224和180x180两种输入大小，每种大小的输入训练完一个完整的epoch再切换另一种大小的输入，交替进行。实验表明，多尺度训练和单尺度训练的收敛速度差不多，精度要比前者高。

Full Image Representation

对于输入保持长宽比的前提下resize使得min(w, h) = 256，一种是从中间crop出224x224区域作为模型输入，另一种是整张图作为输入，文中作者经过实验发现后者的效果更好，表明了保留图片的完整内容的重要性。

Multi-View Testing

在测试阶段，保持长宽比的前提下resize输入使得min(w, h) = 256，然后送入模型inference，得到SPP前的最后一层卷积层的输出feature map，然后在原始输入中crop不同的区域并映射到该特征图上，得到该特征图上多个不同的crop区域，然后分别经过SPP和全连接层得到模型输出，最后对多个结果进行平均得到最终的预测。文中从resize后图片的中间、四个角、四条边的中间分别crop出224x224的区域，对flip后的图片按同样的方法crop出9个区域，因此最终得到18个结果取平均后作为预测输出。

SPP in Object Detection

在RCNN中，通过selective search得到2k个proposal，然后将这2k个proposal对应的原图区域分别送入卷积网络提取特征。本文的改进在于原始图片直接送入卷积网络只进行一次forward处理得到特征图输出，然后将原图proposal对应的区域映射到该输出特征图上，然后SPP分别对特征图上proposal对应的区域进行处理，这里和上面的multi-view testing比较类似。