Spatial Pyramid Pooling空间金字塔池化

最新推荐文章于 2023-09-15 16:14:26 发布
最新推荐文章于 2023-09-15 16:14:26 发布
阅读量176 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文阅读
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_38897423/article/details/103480348
本文探讨了在卷积神经网络(CNN)中引入空间金字塔池化(SPP)层的方法，以解决输入图像尺寸变化的问题。SPP层在最后一层卷积层后替代传统池化，生成固定长度的向量供全连接层使用，有效提升了模型对不同尺寸图像的适应性和分类准确率。

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

在这里插入图片描述
一般cnn的输入需要固定尺寸的image，往往通过裁剪crop和形变wrap来实现，
cnn可以分为两部分，前部分为卷积池化层提取特征，后部分为全连接层，前部分对输入图像size并没有固定要求，但是全连接层神经元个数要求与前部分生成feature map 相match，作者提出在前后部分之间增加SPP

SPP的训练方法：将不同size图像分为不同epoch,每个epoch输入一批相同size图像

作者说spp还能提高分类和物体识别准确率

在这里插入图片描述
在最后一层卷积层之后不使用pooling层，使用spp，如上图，经过卷积层生成feature map 256通道，再使用maxpooling分别生成16x256（相当于将特征图分成16x16,对其进行maxpooling）, 4x256, 256维向量，拼接在一起，生成固定长度向量，导入全连接层。
特别的，最后一个pooling为global pooling，a global average pooling is used to reduce the model size and also reduce overfitting

假设 最后一层feature map 输出为axa=10x10
use win = (a/n)取上整 and str = （a/n) 取下整 to implement each pyramid pooling level

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

YOLO基础算法入门之YOLOv5中的SPPF（Spatial Pyramid Pooling-Fast）空间金字塔池化技术
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-25 104
YOLO基础算法入门之YOLOv5中的SPPF（Spatial Pyramid Pooling-Fast）空间金字塔池化技术
池化方法总结（Pooling）
热门推荐
Daniel_djf的专栏
01-05 6万+
在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 为什么可以通过降低维度呢？ 因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值
目标定位和检测系列（4）： 金字塔池化 （SPP-net）
Meringue's Blog
05-28 1488
论文原文链接：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 虽然这篇文章的标题说是将金字塔池化用在目标识别上的。但是文章最后将它进一步用在了目标检测任务上，很好地解决了R-CNN方法在目标检测上的部分问题，最终也取得了不错的效果。所以也很有必要好好学习一下这篇论文。 摘要 现有...
深度学习基础--池化--conventional spatial max-pooling
wydbyxr的博客
11-16 875
conventional spatial max-pooling   不同通道的相应位置的max-pooling，如下图：
SPP: Spatial Pyramid Pooling
00000cj的博客
05-01 554
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 O...
【机器学习】详解 扩张/膨胀/空洞卷积 (Dilated / Atrous Convolution)
闻韶
11-07 1万+
【机器学习】详解 扩张 / 膨胀 / 空洞卷积 (Dilated / Atrous Convolution)
SPP(Spatial Pyramid Pooling)详解
weixin_34242509的博客
05-23 1971
一直对Fast RCNN中ROI Pooling层不解，不同大小的窗口输入怎么样才能得到同样大小的窗口输出呢，今天看到一篇博文讲得挺好的，摘录一下，方便查找。 Introduction 在一般的CNN结构中，在卷积层后面通常连接着全连接。而全连接层的特征数是固定的，所以在网络输入的时候，会固定输入的大小(fixed-size)。但在现实中，我们的输入的图像尺寸总是不能满足输入时要求的大小。然而...
spatial pyramid pooling（空间金字塔池化）
最新发布
weixin_41927751的博客
09-15 291
空间金字塔池化，何凯明的文章。用于解决一个很简单且现实的问题，因为R-CNN网络或者其他的网络，最终需要统一图片的尺寸以及大小，然后继续送入后续的网络中。一般来说，为了得到固定尺寸的图片，有两种做法：1) croping裁剪；2) warping变形。即对于多尺度问题，提前设定好的尺寸大小是不利的。
Spatial Pyramid Pooling（空间金字塔池化）-变尺度CNN训练
沈春旭的博客
09-08 2万+
1. 需求创造好的产品，产品拓宽原始的需求 当前的深度神经网络一般都需要固定的输入图像尺寸（如224*224）. 这种需求很明显是人为的，潜在性的弊端会降低识别精度（为了使图像尺寸相同，一定会涉及到图像的比例/非比例放缩，这就引入了尺度误差和形变误差）。何凯明师兄的这项工作主要是讲多分辨率搜索的思想融入到了现有的深度网络中，从而实现了多尺度网络的训练以及识别，进而提升了图像分类和目标检测的精度（...
SPP(spatial pyramid pooling) 空间金字塔池化
weixin_47414034的博客
05-01 4601
网络往往要求输入是固定大小的数据，于是我们需要对不同大小的图片进行裁剪或者缩小到指定大小，这样会导致部分信息丢失。SPP可以让网络适应任意大小的输入图片。 SPP还可以和空洞卷积相结合，得到ASPP(atrous spatial pyramid pooling） ...
SPP Net 空间金字塔池化(Spatial Pyramid Pooling, SPP)原理
11-03 4233
最近从头捋一下R-CNN系列的目标检测算法，在R-CNN首次将CNN与目标检测练习到一起之后，为了弥补它效率慢、不是端到端的神经网络、输入图片大小resize不准确等问题，各路神仙在后面陆续推出了SPP Net、Fast R-CNN、Faster R-CNN、R-FCN等R-CNN系列的模型。 在我将R-CNN弄清楚原理及流程之后就开始学习何凯明团队推出的SPP Net的网络模型。SPP Net的核心思想是空间金字塔池化(Spatial Pyramid Pooling, S...
论文笔记【A Comprehensive Study of Deep Video Action Recognition】
CSPhD-winston的博客
10-09 3765
本文的书写具有明确的脉络 1、对当前的VAR数据集进行了介绍 2、对200多篇VAR领域的论文进行了分析和汇总 3、分析当前VAR领域的挑战和机遇 因为具有一些深度学习背景，所以我们不通篇逐字的进行翻译学习，只整体按照其行文思路，中间主要记录一些经典研究以及之后值得展开的点：
Spatial pyramid pooling (SPP)-net （空间金字塔池化）笔记
XZZPPP的博客
05-11 1万+
1、简介 空间金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，这就是空间金字塔池化的意义（多尺度特征提取出固定大小的特征向量），送入全连接层。整体框架大致为：输入图像，卷积层提取特征，空间金字塔池化提取固定大小特征，全连接层。 具体的流程图如下：   2、具体算法的大体流程     首先通过选择性搜索（selective search），对待检测的图片进行搜索出2000个
Spatial Pyramid Pooling
qq_45033722的博客
02-06 2952
1. 摘要 现有的深度卷积神经网络(CNNs)需要一个固定大小的（例如，224×224）的输入图像。这个要求是“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。在这项工作中，我们为网络配备了另一种池化策略，即“空间金字塔池化”，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。 2. 介绍 我们正在目睹我们的视觉社区的一个快速、革命性的变化，
空间金字塔池化SPP（Spatial Pyramid Pooling）
g11d111的博客
06-24 1万+
前言 何凯明大神于2014年在《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。这个方法对于目前很多任务非常实用，尤其是现在的神经网络算法叠加的情况下（即前一个神经网络输出的结果是下一个神经网络的输入），很多输出的图片尺寸或者说b...
空间金字塔池化(Spatial Pyramid Pooling, SPP)
qqliuzihan的博客
07-26 2万+
Introduction 主要参考这两篇博客: https://blog.youkuaiyun.com/yzf0011/article/details/75212513 https://blog.youkuaiyun.com/u011534057/article/details/512...
深度学习笔记（一）空间金字塔池化阅读笔记Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
HAHA的专栏
01-31 3万+
空间金字塔池化      空间金字塔池化层简介：                   在对图片进行卷积操作的时候，卷积核的大小是不会发生变化的额，反向调节的权重仅仅是数值会发生变化。但是，但是，但是，输入的图片的大小你是否可以控制呢？哈哈，我们的输入图片大小是会发生变化的，这里图片大小的变化并不会在卷积操作和polling操作产生影响，但是会对全连接层的链接产生影响。这篇文章的核心就是解决如何
Global average Pooling
Losteng的博客
05-28 4万+
最近在看关于cifar10 的分类的识别的文章 在看all convolution network 中看到中用到一个global average pooling  下面就介绍一下global average pooling  这个概念出自于 network in network  主要是用来解决全连接的问题，其主要是是将最后一层的特征图进行整张图的一个均值池化，形成一个特征点，将这
动作识别0-04：mmaction2(SlowFast)-白话给你讲论文-翻译无死角（2）
江南才尽江南山，年少无知年少狂！
08-11 3071
以下链接是个人关于mmaction2(SlowFast-动作识别) 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 动作识别0-00：mmaction2(SlowFast)-目录-史上最新无死角讲解 本论文名为：SlowFastNetworksforVideoRecognition\color{red}{本论文名为： SlowFast Networks for Video Recogni
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