SSP-Net 论文笔记

最新推荐文章于 2025-07-06 00:37:25 发布
原创 最新推荐文章于 2025-07-06 00:37:25 发布 · 3.7k 阅读 · 7 ·
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。

SPP-Net（Spatial Pyramid Pooling Network）通过多级池化操作解决了卷积神经网络中全连接层需要固定尺寸输入的问题。这种方法增强了网络对目标形变的鲁棒性，并在目标检测任务中减少了计算量，例如在R-CNN基础上，不需要对每个候选区域单独进行卷积。通过SPP层，网络可以从不同尺度的特征中学习，提高了模型的泛化能力。

这篇文章的主要解决的是当输入的图片的尺寸不是既定的 224×224 224 × 224 , 采用各种对图片放缩的时候会影响网络的学习. 比如下图, 只裁剪了一部分, 或者放缩的时候发生了几何的形变:

这里写图片描述
那么为什么会要求输入的大小相同呢, 很大一个原因就是最高层的FC的输入的尺寸必须要相同. 文章就是从这里下手的.

Spatial pyramid pooling: 指的是对于卷积学得的N个feature maps进行多次池化操作, 并且池化核的大小逐渐增大, 这会导致着池化的输出逐渐减小,(像金字塔形状一样) 将这些池化后的输出合并起来, 作为FC的输入, 以此来解决FC要求的输入必须要一致的问题.

SPP层原理如下所所示，假定CNN层得到的特征图大小为 a×a a × a （比如 13×13 13 × 13 ，随输入图片大小而变化），设定的金字塔尺度为

最低0.47元/天 解锁文章
SppNet 多尺度训练
tyfwin的博客
11-14 1543
SppNet 多尺度训练 原理网上非常多了，这里不再赘述。 感觉我看了很多博客，对我帮助较大的两个是： https://blog.csdn.net/qq_42052229/article/details/90446073 https://zhuanlan.zhihu.com/p/42732128 使用过程中的重点总结： 1、网络目的确实是解决input的图像size大小不同的问题， 但是： 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...
3.SSP-Net
WangXu__的博客
05-18 695
SSP-Net TPAMI2014 一、优缺点 优点： 1.不用像R-CNN一样，对于每一个region proposal 都提取一遍特征，而是一整张图片放进去提取特征。在conv5层输出提取的所有region proposal 的特征，节省了大量的特征。 2.引入了空间金字塔池化，使得在不同尺度的特征上提取一个特征，然后映射到尺寸固定的全连接层上。 缺点： 1.需要存储大量的特征，regio...
SSPNet
zikyou的博客
04-24 269
/ 映射 SSPNet完整结构：
【目标检测】SPP-net
a645061612的博客
08-24 495
原文知乎地址：https://zhuanlan.zhihu.com/p/60919662，主要看1.1 点的映射 由于本系列主讲目标检测，所以对于这篇文章我们主要讲解SPP-net在目标检测上的应用。在目标检测的问题上，SPP-net主要是在R-CNN的基础上进行改进的，但是它仍旧继承了R-CNN的多阶段的处理过程(图1)： Extract region proposal，使用selectiv...
目标检测---SSP net网络
weixin_42206075的博客
12-23 1595
目标检测—SSP net网络 ssp net网络其实是在RCNN网络的基础之上做的一些变动，目的是为了解决RCNN其中包含的一些问题，在了解SSP net之前，先需要了解一下两个知识点：感受野和金字塔池化~~ SSP net感受野 上图中，由map1到map3，是在做卷积的过程，其feature map一直在缩小。map3所对应的map1感受野其实就是11 * 11的图片区域，对应于map2感受野其实就是7 *7的图片区域~上述公式其实是由卷积公式的推导： 只不过卷积的计算公式是由上一层的大小计算下一层
【目标检测系列：四】SSP-Net论文阅读 解析
鹿鹿的博客
06-23 1201
2015 SSP-Net：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition Introduce R-CNN为什么检测速度这么慢？ 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...
SPP-net论文笔记
陈建驱的博客
01-14 744
个人博客：http://www.chenjianqu.com/ 原文链接：http://www.chenjianqu.com/show-74.html 论文：Kaiming He,etc. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition.2015 素质三连 1.论文贡献 ...
R-CNN,SSP-Net,fast-RCNN,faster-RCNN论文读后笔记
qq_29133371的博客
08-18 5505
R指的是region，也就是在数据进入深度网络（CNNs）之前进行预处理,在预训练图像中生成若干个regionproposals，再将这些regionproposals 进行resize,因为CNN网络要求输入数据维度相同。 训练过程： ①supervised pre-training，使用传统的CNN来训练大规模数据集ImageNet，获得初始化权重。 所谓的有监督预训练，我们也可以把它
点云特征学习（二）--SPG论文阅读笔记
qimingxia的博客
01-11 2194
点云特征学习（二）–SPG论文阅读笔记 目录点云特征学习（二）--SPG论文阅读笔记一，挑战二，方法2.1 Geometric Partition with a Global Energy2.2 Superpoint Graph Construction2.3 Superpoint Embedding 一，挑战 在SPG工作时间节点之前，PointNet，PointNet++等深度学习方法虽然能够较好完成点云语义分割任务，但是受限于点云输入大小规模的限制，无法在大规模语义分割任务中也保持同样的优异表现。为了
RCNN、SPPnet、Fast-RCNN 论文学习笔记
sinat_34022298的博客
08-25 1073
——R-CNN、Fast-Rcnn、Fast-Rcnn是目标检测的一系列顶会论文，自己也看了好久，才慢慢有所感悟，这里做个记载。看论文原版还是最好的选择，但由于论文都是英文，且有大量引用前人已有的思想，对于小白来说，直接看论文并不友善，可以选择网上已有的论文解读，大致了解思想，然后有针对性的阅读论文原版，可能会事半功倍。 给出RGB大神博客，基本论文还有源码、slides都可以找到： 【RGB...
SSP框架整合
12-31
JPA、SpringData框架整合，整套开发视频源码以及开发文档。
SSP-NET论文总结
weixin_45750753的博客
01-28 1022
简介 特征金字塔池化是何恺明大神提出的一种在R-CNN基础上的可以利用CNN处理任意尺度、大小的图像并得到固定长度特征的方法。这个方法只需要计算一次整张图的feature maps（和R-CNN的计算2000次region proposal的特征图相比快多了）。对于一个region proposal，其与feature map有一个对应的映射关系，我们可以找到这个proposal对应的feature map的区域，然后对其进行金字塔池化，得到固定长度的特征向量，再输入到svm中进行分类评分。这就是特征金字塔
SPPnet
shine的博客
09-22 511
空间金字塔层池化网络（Spatial pyramid pooling networks,SSPnets）可以通过计算共享来加速R-CNN，SSPnet是先对整张图片做卷积，由于卷积池化之后得到的特征图与原图片的特征位置是相对应的，所以直接在特征图上截取候选框，然后再使用做不同尺寸的最大池化将得到的特征向量拼接得到最终的特征向量。SSPnet相比于R-CNN测试速度加速了10-100倍，训练时间较少了3倍。 ...
ssp网络
MrQueens的博客
03-18 830
https://blog.csdn.net/yzf0011/article/details/75212513
共享社会经济途径SSP
热门推荐
henielh的博客
08-28 2万+
https://www.sciencedirect.com/science/article/pii/S0959378016300681?via%3Dihub 气候预测中RCP与SSP之对比 - 阡陌黎明的文章 - 知乎 解读:联合国气候报告的五个未来的解码 - 孟加拉国华人圈的文章 - 知乎 SSP WEBSITE 定义 adaption, mitigation 减缓气候变化意味着避免和减少将吸热温室气体排放到大气中，以防止地球变暖到更极端的温度。(我们必须从使用化石燃料为我们的世界供电过渡到使用清洁的可再
目标检测网络—SPPNet详解
Jeremy_lf的博客
05-03 2862
翻译论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 概述 当前深度卷积神经网络（CNNs）都需输入固定的图像尺寸(fixed-size),如224×224）。这种需要是“人为”的，并且当面对任意尺寸或比例的图像时，识别精度会降低。而论文中提出的**“空间金字塔池化”(spatial p...
【目标检测】SSPNet论文理解
qq_36926037的博客
05-10 2048
摘要   当前问题：   现有的深度卷积神经网络(CNNs)需要一个固定大小(如224×224)的输入图像输入。这种要求是可能会降低对任意大小/尺度的图像或子图像的识别精度。   空间金字塔池化层：   消除固定输入尺寸的要求，它可以生成固定长度的图像，而不管图像的大小和比例。空间金字塔池化层对物体变形有很强的鲁棒性。基于这些优点，SPP-net提高了各种CNN架构的准确性。   SPP-net在...
广告系统中的SSP详解
最新发布
技术人集结地
07-06 1307
SSP（供应方平台）是程序化广告生态中媒体方的核心工具，帮助管理广告资源、优化收益。其核心功能包括广告位管理、竞价策略设置、流量分层变现、数据监控及多平台对接。SSP与ADX协同工作，通过实时竞价（RTB）匹配最优广告主。关键技术涉及实时竞价引擎、动态底价调整及Header Bidding等。主流平台如Google Ad Manager、AppNexus和PubMatic提供差异化解决方案。数据隐私合规方面，SSP采用加密、匿名化及用户同意管理等措施。未来趋势包括AI深度应用、程序化直购及隐私计算技术发展。
空间金字塔池化SSP的原理及代码实现
qq_35037684的博客
10-28 844
SSP
ssp-rcp和plus
03-22
### 关于SSP-RCP与PLUS的关系或区别的分析 #### 1. **SSP-RCP的概念定义** 共享社会经济路径（Shared Socioeconomic Pathways, SSPs）和典型浓度路径（Representative Concentration Pathways, RCPs）是用于气候变化研究的重要框架。SSPs描述了未来可能的社会经济发展趋势，而RCPs则关注温室气体排放水平及其对大气辐射强迫的影响。两者的结合形成了SSP-RCP情景矩阵，广泛应用于气候模型和影响评估中[^1]。 #### 2. **PLUS的背景介绍** PLUS通常指代的是“Projection Land Use System”，即一种基于空间显式的土地利用变化预测方法。它通过集成多种驱动因子（如人口增长、经济增长、技术进步等），能够实现高分辨率的土地覆盖变化模拟。在某些研究中，PLUS被用来作为工具来支持SSP-RCP情景下的具体应用，尤其是在区域尺度上的土地利用建模方面[^3]。 #### 3. **SSP-RCP与PLUS的区别** - **概念层面** SSP-RCP提供了一套标准化的情景设定，主要用于指导全球范围内的气候科学研究；相比之下，PLUS更侧重于具体的算法设计和技术实现，旨在解决特定区域内复杂的空间动态过程。 - **用途差异** SSP-RCP更多地服务于宏观战略规划，帮助决策者理解不同发展轨迹下潜在的环境后果；而PLUS则是针对实际操作需求开发的技术手段之一，在精细化管理和政策制定过程中发挥重要作用[^2]。 - **实施方式** 使用SSP-RCP时需依赖大量统计数据并借助超级计算机完成大规模数值运算；而对于PLUS而言，则可通过地理信息系统(GIS)软件配合相应插件快速生成可视化成果供相关人员参考。 #### 4. **两者之间的联系** 尽管存在上述显著差别，但在现代信息技术环境下二者并非完全独立而是相辅相成——一方面可以通过调整PLUS内部参数配置使其更好地匹配选定好的SSP-RCP条件从而提高预测精度另一方面也可以反过来利用PLUS产出的数据反向验证和完善原始SSP-RCP假设前提进而形成良性循环促进整个领域向前发展。 ```python import numpy as np from matplotlib import pyplot as plt def plot_ssp_rcp_plus(): years = range(2020, 2101) ssp_data = { 'SSP1-2.6': np.random.rand(len(years)), 'SSP2-4.5': np.random.rand(len(years)) * 1.5, 'SSP5-8.5': np.random.rand(len(years)) * 2 } fig, ax = plt.subplots() for key in ssp_data.keys(): ax.plot(years, ssp_data[key], label=key) plus_adjustment = (ssp_data['SSP1-2.6'] + ssp_data['SSP2-4.5']) / 2 ax.plot(years, plus_adjustment, linestyle='--', color='black', label="PLUS Adjusted") ax.set_title('Comparison of SSP-RCP Scenarios with PLUS Adjustment') ax.legend(loc='upper left') ax.grid(True) plt.show() plot_ssp_rcp_plus() ``` 此代码片段展示了如何在同一图表上比较不同的SSP-RCP场景，并加入了一个虚构的PLUS调整曲线以便直观展示其作用效果。 ---
评论 2
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