SPP-Net

最新推荐文章于 2020-03-14 22:46:14 发布
最新推荐文章于 2020-03-14 22:46:14 发布
阅读量258 收藏
点赞数
分类专栏： 行人检测
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。
本文链接：https://blog.youkuaiyun.com/qq_33297776/article/details/79671546
版权
为了解决R-CNN存在的问题，Kaiming He提出了SPP-Net。该方法引入了空间金字塔池化层（SPP层），允许任意尺寸的输入图像，并减少计算量。通过在卷积层后加入SPP层，无论输入图像大小如何，都能获得固定长度的特征向量。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

引言

该方法由Kaiming He提出，主要目的是解决RBG提出的R-CNN网络的几个缺点。

与R-CNN的对比

这里写图片描述

R-CNN的问题

  • R-CNN需要保证所有的图片尺寸是相同的。主要原因在于：R-CNN在全连接层的输入要求是固定尺寸，这就要求保证CNN网络的输入尺寸相同才能满足。R-CNN为了保证图片尺度相同，对图片进行裁剪/扭曲操作，但是这样的变型操作会丢失信息。如图1左侧，由于裁剪，导致关注的目标不完整。
  • R-CNN首先对输入的图像进行ROI提取，然后对每一个ROI进行CNN特征提取。显然，这是十分耗时的！！！

主要贡献

本文提出了Spatial Pyramid Pooling（SPP）Layer，如下图所示。该结构在R-CNN的基础上，在Conv5之后，FC层之前增加了SPP层。具体做法是：
1. 取3个框框对Feature Map进行采样。大小分别是1*1，2*2，4*4，按照这样的规格对Feature Map进行划分，在每一个小格格里进行MaxPooling。
2. 假设Feature Map是13*13*256，那么通过SPP下采样得到的尺度是（16+4+1）*256。
3. 通过这样的方式，不管输入图像的大小是多大，即便Feature Map的尺度不一样（主要是W*H不同，feature map的深度由filter的个数决定，因此深度相同），这样就能保证SPP采样之后的尺度相同，进一步送入FC层。
这里写图片描述

SPP-Net目标检测算法

利用Selective Search方法对原始输入图像提取2000个ROI。对于每一个候选窗口，使用4级空间金字塔（1*1，2*2，3*3，6*6），共50个bins，然后每一个窗口输出一个265*50的向量送入FC层。

数据的标注

  • 正例：ground truth；
  • 反例：和ground truth IOU超过30%的窗口。

ROI窗口到Feature Map的映射

可以参考原文以及下面的博文链接，暂时还没有理解透彻。
原文对映射的讲解
检测窗口到Feature Map的映射

SPP-Net论文详解
Cheese的博客
06-18 5万+
SPP-Net是出自2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》。 本文对SPP-Net做了详细的介绍，对整篇论文做了解读。
【论文阅读】目标检测--SPP-net论文笔记（翻译+理解）
Ada的信徒
05-07 1059
现有的深度卷积神经网络需要固定大小的输入图像（例如，224×224）。这个要求是“人为的”，可能会降低对任意大小/比例的图像或子图像的识别精度。本文在深度卷积神经网络中使用了新的池化策略，“空间金字塔池化”，以避免上述限制。新的网络结构称为SPP-net，无论输入图像大小/比例是多少，都可以生成固定长度的表示。另外，金字塔池化也对目标变形具有鲁棒性。由于这些优势，SPP-net通常能够改善所有基于CNN的图像分类方法。
SPP-net
肥羊汤
03-17 500
SPP-net 该网络为金字塔网络，即将卷积神经网络的最后一个池化层，替换成高斯金字塔池化。 最后一个卷积层的特征进行池化操作，任意大小的feature map首先在特征图上进行不同层次的最大池化，生成1*1，2*2，4*4的1、4、16个特征向量。池化后的特征拼接得到一个固定维度的输出。以满足全连接层的需要。 金字塔池化按照下图所示进行池化操作，生成（1+3+16）*256个特征，输入到全...
SPP-Net演示文档
12-18
SPP-Net是一种先进的目标检测算法，其核心思想在于将空间金字塔池化（Spatial Pyramid Pooling，简称SPP）技术引入深度卷积神经网络（CNNs），以此来解决传统CNNs输入图像尺寸必须是固定的问题。在传统的CNNs中，...
10.SPP-net.zip
最新发布
02-01
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition，简称SPP-net，是一种用于视觉识别的深度卷积神经网络结构。该方法由Kaiming He、Xiangyu Zhang、Shaoqing Ren和Jian Sun在2014年...
SPP-NET翻译1
08-03
【SPP-NET翻译1】主要探讨的是深度卷积神经网络（CNNs）在处理不同尺寸和比例图像时存在的问题，以及如何通过引入空间金字塔池化（Spatial Pyramid Pooling, SPP）层来解决这个问题。在传统的CNN架构中，输入图像...
SPP-Net论文详解1
08-03
SPP-Net 论文详解 SPP-Net 是一种基于深度卷积神经网络的图像识别方法，于 2015 年发表在 IEEE 上的论文《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》中提出了。这篇论文的...
SPP-NET
编辑尼撑
12-05 440
SSP-Net 这个网络主要的思想是为了让输入CNN的图像保持原始尺寸，而不像R-CNN等神经网络一样，需要将原始图像转换成固定的尺寸后，再输入网络。例如：warping,cropping等。 因为将原始图像压缩或转换为固定的尺寸是一个有损的过程，可能不包括整个对象或因图像扭曲而导致不必要的几何失真，可能会降低tasks的精度。 并且，CNN包括卷积层和全连接层。卷积层以滑动窗口的方式操作...
SPP Net
wyBluewind的博客
11-09 725
论文：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》 地址：https://arxiv.org/abs/1406.4729 1 INTRODUCTION spp 可以在卷积层和全连接层中间实现信息聚合操作，避免了从网络的开始阶段使用 crop和warp操作。 作者注意到，SPP对于CN...
sppnet
陈依依的博客
12-08 1221
R-CNN 作为CNN引入目标检测的开篇之作，后来又出现了sppnet ,fast R-CNN,faster R-CNN等一系列目标检测算法，本次主要学习的是sppnet 首先介绍一下R-CNN的流程： 每张图片通过selectivesearch选出大约2000张候选框，每个候选框单独输入CNN做卷积操作，在使用SVM分类，以及最后位置的精修。sppnet就提出能不能在整张图上提取候选框特征，这样在整幅图上只进行一次卷积。 spp-net在图像检测方面也表现优
SPPnet
Lionelxk的博客
12-14 594
http://blog.csdn.net/cv_family_z/article/details/46832845
【目标检测】SPP-Net
Alex-zzm
04-11 642
论文全名：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition        熟悉卷积神经网络(CNN)的人都知道,为了使输出维度相同，必须在输入图片时归一化成相同尺寸。特征维度相同才能用于分类器的训练。输入维度相同这个限制太大了，这篇文章主要针对这个缺陷进行了改进，具体就是加入了空间金字塔池化(...
SPP-Net 详解
Kula的博客
03-14 985
（一）网络结构调整（二）SPP layer 结构（三）训练阶段（四）测试阶段
SPP-net论文笔记《Spatial Pyramid Pooling in Deep Convolutional Network for Visual Recognition》
邬小阳
03-12 4926
1. Introduction         在之前物体检测的文章，比如R-CNN中，他们都要求输入固定大小的图片，这些图片或者经过裁切（Crop）或者经过变形缩放（Warp），都在一定程度上导致图片信息的丢失和变形，限制了识别精确度。两种方式如下所示。         crop：不能包含完整的区域                warp：几何失真         事实上，在网络实
【转】R-CNN学习笔记3:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)
荆棘鸟的专栏
08-17 1994
原文地址：http://blog.csdn.net/u011534057/article/details/51219959 CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示，提升R-CNN检测的速度24-102倍。 固定图像尺寸输入的问题，截取的区域未涵盖整个目标或者缩放带来图像的扭曲。事实上，CNN的卷积层不需要固定尺寸的图像，全连
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-Net)解读
ForLearning
04-16 2561
论文发表在ECCV2014 作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun Introduction CNN 在视觉领域虽然取得了很大的成就，但是一直存在一个技术问题是CNN都需要一个固定的图片大小，比如224*224，这限制了输入图像的大小和比例。现在的方法主要是通过crop/warp来满足对图像大小
评论
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