目标检测：SPP-net

最新推荐文章于 2025-10-24 17:51:00 发布
原创 最新推荐文章于 2025-10-24 17:51:00 发布 · 1.3w 阅读 · 33 ·
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：

#RCNN #目标检测 #深度学习

SPP-net由Kaiming He提出，解决了R-CNN中2k个候选区域需独立通过CNN的问题。它引入Spatial Pyramid Pooling层，允许任意大小的图片输入，只需将原图输入一次即可提取所有候选区域特征，显著提高检测速度。SPP-net在训练时使用多尺寸图片共享参数，检测阶段通过ROI在特征图上提取固定长度的特征向量，简化了R-CNN的特征提取步骤，但其CNN的conv层在微调时无法继续训练。

《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》论文解读

本文来自Kaiming He大神。

上文说到R-CNN的最大瓶颈是2k个候选区域都要经过一次CNN，速度非常慢。Kaiming He大神最先对此作出改进，提出了SPP-net，最大的改进是只需要将原图输入一次，就可以得到每个候选区域的特征。

概述

在R-CNN中，候选区域需要进过变形缩放，以此适应CNN输入，那么能不能修改网络结构，使得任意大小的图片都能输入到CNN中呢？作者提出了spatial pyramid pooling结构来适应任何大小的图片输入。

网络结构

为什么CNN需要固定输入大小？卷积层和池化层的输出尺寸都是和输入尺寸相关的，它们的输入是不需要固定图片尺寸的，真正需要固定尺寸的是最后的全连接层。

这里写图片描述

由于FC层的存在，普通的CNN通过固定输入图片的大小来使得全连接层输入固定。作者不这样思考，既然卷积层可以适应任何尺寸，那么只需要在卷积层的最后加入某种结构，使得后面全连接层得到的输入为固定长度就可以了。这个结构就是spatial pyramid pooling layer：

最低0.47元/天 解锁文章
SPP Net 空间金字塔池化(Spatial Pyramid Pooling, SPP)原理
11-03 4311
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...
【目标检测】SPP-Net
可乐大牛的博客
09-18 1551
过往的基于CNN的网络都会通过裁剪的缩放将输入图片的尺寸固定，这样的话其实是会降低模型对于任意大小和任意比例图片的检测能力的，前者可能无法完全包含目标。那么为什么网络会需要固定尺寸的输入呢？主要是由于全连接层的特性决定的。因为卷积可以看做是滑窗的形式，而池化可以看做是一种卷积的特例，对于他们而言任意的输入都可以得到对应的输出。全连接层就不一样了，输入和输出的神经元个数是固定的，那么它前一层输出的特征图就应该是固定尺寸的。
什么是 SPP-Net
最新发布
彬彬侠的博客
10-24 976
SPP-Net（空间金字塔池化网络）是2014年提出的计算机视觉重要创新，通过引入SPP层使CNN能处理任意尺寸图像，解决了传统模型需固定输入尺寸的局限。该网络在ILSVRC 2014竞赛中表现优异，将物体检测速度提升10-100倍。SPP层通过多级池化将变尺寸特征图转为固定向量，融合了多尺度信息，提高了模型鲁棒性。虽然后续被Fast R-CNN等改进，但其核心思想仍影响现代视觉模型。SPP-Net标志着从固定尺寸CNN向灵活输入模型的重要转变。
目标检测之SPP-Net
qq_41168327的博客
03-17 496
总体结构： 在R-CNN中，候选区域需要进过变形缩放，以此适应CNN输入，那么能不能修改网络结构，使得任意大小的图片都能输入到CNN中呢？作者提出了spatial pyramid pooling（SPP）空间金字塔结构来适应任何大小的图片输入。 R-CNN和SPP-Net的处理过程 spatial pyramid pooling（SPP）层 加在最后一个卷积层与全连接层之间，目...
Spp-net原理
赵凯月的博客
08-29 472
原文链接：https://blog.csdn.net/qq_31442743/article/details/80770619 1 基础框架 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，全连接层...
深度学习——SPPNet原理
c20081052的专栏
08-14 2210
从R-CNN 到Fast R-CNN，有必要了解下SPPNet，其全称为Spatial Pyramid Pooling Convolutional Networks（空间金字塔池化卷积网络）。 它将CNN的输入从固定尺寸改进为任意尺寸，例如在CNN结构中，输入图像的尺寸往往固定的（如224x224像素），输出可看做固定维数的向量。 SPPNet在普通的CNN结构中加入了ROI池化层（ROI Po...
目标检测算法SPP-Net详解
春有百花秋有月，夏有凉风冬有雪！
05-22 3269
这一期的文章离不开上一期的R-CNN，因为SPP-Net是基于R-CNN进化而来的，建议先看上期R-CNN,上期链接如下：目标检测的里程碑R-CNN通俗详解 SPP-Net全称Spat...
目标检测算法复习：SPP-Net算法
tangshopping的博客
11-27 1345
一、SPP-Net算法出现的原因 SPP-Net算法的前面一个算法 R-CNN算法，它虽然是个开创性的目标检测算法。但是它的缺点十分明显： ① CNN网络后面接的FC层需要固定的输入大小，限制网络的输入大小 ； ② 候选区域会塞给CNN网络用于提取特征向量的，这会有大量的重复计算，造成的计算冗余。 基于感受野的特征坐标映射 1.看其他人博客的时候，他们只是给出下面公式，而公式怎么来的，他们也不清楚...
目标检测网络之SPP-net详解
a24444054d的博客
07-18 3542
SPP-net详解： 简要概述：SPP-net网络是基于R-CNN结构改进，如详细理解SPP-net请先阅读目标检测开山之作R-CNN，文章链接：https://blog.csdn.net/a24444054d/article/details/118875058?spm=1001.2014.3001.5502。由于R-CNN速度慢的特征，每张图片分割为2000个大小不等的候选区域，每个候选区域经过CNN进行特征提出，是一个非常耗时的过程。针对R-CNN，SPP-net提出两点改进来减少卷积运算，下面一一介
【目标检测】SPPNet算法详解
热门推荐
bryant_meng
11-23 1万+
转载自 http://blog.csdn.net/u011534057/article/details/51219959 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)1 基础框架  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
SPPNet原理详解
yannkaii的博客
04-20 591
简单来说就是不管feature map的大小是多少，设置多个不同大小的池化核，分别对feature map进行池化，池化核的大小根据特征图的大小和设定好的池化后特征图的大小去计算。新的网络结构不需要对目标进行crop/warp，最重要的是对输入图像的大小不在进行限制，可以输入任意大小的图像，这主要得益于增加的空间金字塔池化（spatial pyramid pooling）。1、网络输入图像大小需固定：全连接层需要输入固定大小的输入，由于这个限制，输入图像的大小需固定。256），传输到全连接层。
SPP-Net的起源与原理
weixin_44193216的博客
11-01 1462
一、起源 1、因为在R-CNN的全连接层的限制，所以要求输入层的图像尺寸都一致。然而，这会使损失进一步增大。 2、因为不同建议框的有不同的尺寸，因此会有重叠的部分，造成大量重复的运算。 二、原理 1、对原图进行一次全图特征提取，得到全局特征图。 2、在特征图对应的位置，找到建议框对应的映射区域。 3、将次区域作为每个建议框的卷积特征输入SPP层和之后的层。 4、Spp层通过空间金字塔将不同的输入固定...
SPPNet的原理
pursuit_zhangyu的博客
04-28 1067
简介SPPNet的英文名称是Spatial Pyramid Pooling Convolutional Networks,翻译成中文是“空间金字塔池化卷积网络”。paper地址https://arxiv.org/pdf/1406.4729.pdf原理       SPPNet主要做了一件事：将CNN的输入从固定尺寸改进为任意尺寸。例如，在普通的CNN结构中，输入的尺寸往往是固定的（如224*224...
rcnn spp_net
weixin_30699465的博客
04-15 175
在http://www.cnblogs.com/jianyingzhou/p/4086578.html中提到rcnn开创性工作，但是计算时间太长，重复计算太大。spp_net将重复计算避免了我自己测试发现rcnn的确非常慢，因为窗口重叠，重复计算普遍一下转自http://zhangliliang.com/2014/09/13/paper-note-sppnet/对应的论文是：http:...
SPP-net解读
阿华Go，从现在开始的博客
03-20 5220
介绍：在上面的过程中我们已经看了YOLO实现图片的定位和识别的过程，可以看到它是一个end-to-end的网络，通过设置S*S个格子，然后让每个格子预测B个bbox，然后进行NMS可以得到置信度较大的几个类的预测，然后进行回归分析，注意里面loss值的计算，便可以得到计算速度非常快，效果很不错的YOLO网络，相比faster-rcnn网络，效果没有那么好，但是速度却有了很大的提升！今天我们看一个非...
深度学习目标检测(object detection)系列（二） SPP-Net
weixin_33739646的博客
09-15 217
原文链接 SPP-Net简介 在上一篇R-CNN的文章中，详细介绍了R-CNN算法，同时也说明了R-CNN的致命缺陷，超长的训练时间（84h）和测试时间（47s），造成这个问题的主要原因就是重复性的卷积计算，在R-CNN中，输入到CNN网络中的图片是ss算法提取到的区域，每一张待检测图都会产生1000-2000个区域，这也就意味着卷积计算要重复1000-2000次，但是由于ss算法提取到的区域本身...
SPPNet详解（白话讲解——附图文）
weixin_45074568的博客
04-13 1万+
SPPNet是何凯明大神提出的，为了解决R-CNN中速度慢问题。 在神经网络中输入图片的尺寸必须是固定的，这是因为在设计的时候FC层中神经元的个数都是固定的，导致输入图片尺寸必须是固定的。 CNN是可以适应不同尺寸的输入图片，说明在CNN后面加入某种机制就可以让FC层也适应不同尺寸的输入图片，某种机制就是何凯明大神提出的空间金字塔池化（SPP）。 在最后的卷积层和全连接层之间加入SPP层。具体做法是，在conv层得到的特征图是256层，每层都做一次spatial pyramid pooling。先把每个特
【深度学习】目标检测网络结构SPP FAST-RCNN FASTER-RCNN
Sun7_She的专栏
05-19 582
在讲fast-rcnn之前，我们先来看一下spp net吧？～ spp net对r-cnn的改进主要有两点： 1. 只对原图提取一次特征。输入是图片，在feature层对应位置找到候选框的位置。 2. 结合空间金字塔方法实现cnns的对不同尺度的输入。实现数据的多尺度输入。分别划分不同的小块对feature进行pooling。 对比r-cnn提速100倍左右...
【深度学习论文】SPP-Net
谢军的博客
05-03 1050
SPP-NET
深度学习目标检测：从YOLO到SPP-Net的演进
"这篇资源是一份关于高效卷积在目标检测中的应用的权威指南，英文版，涵盖了YOLO算法的详细介绍。YOLO（You Only Look Once）是由Joseph Redmon等人在2015年提出的，它是一种快速的目标检测方法，以每秒45帧的速度...
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