SPP-Net论文详解

最新推荐文章于 2025-05-31 15:46:51 发布
最新推荐文章于 2025-05-31 15:46:51 发布
阅读量5.9w 收藏 410
点赞数 106
CC 4.0 BY-SA版权
分类专栏： 论文阅读 深度学习 文章标签： 神经网络 SPP-Net 机器学习 深度学习
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/v1_vivian/article/details/73275259


SPP-Net是出自2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》。

在此之前，所有的神经网络都是需要输入固定尺寸的图片，比如224*224（ImageNet）、32*32(LenNet)、96*96等。这样对于我们希望检测各种大小的图片的时候，需要经过crop，或者warp等一系列操作，这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。而且，从生理学角度出发，人眼看到一个图片时，大脑会首先认为这是一个整体，而不会进行crop和warp，所以更有可能的是，我们的大脑通过搜集一些浅层的信息，在更深层才识别出这些任意形状的目标。



为什么要固定输入图片的大小？

       卷积层的参数和输入大小无关，它仅仅是一个卷积核在图像上滑动，不管输入图像多大都没关系，只是对不同大小的图片卷积出不同大小的特征图，但是全连接层的参数就和输入图像大小有关，因为它要把输入的所有像素点连接起来,需要指定输入层神经元个数和输出层神经元个数，所以需要规定输入的feature的大小。
       因此，固定长度的约束仅限于全连接层。以下图为例说明：

                             

            作为全连接层，如果输入的x维数不等，那么参数w肯定也会不同，因此，全连接层是必须确定输入，输出个数的。


SPP-Net是如何调整网络结构的？

最低0.47元/天 解锁文章

200万优质内容无限畅学
SPPNet论文详解
alibabazhouyu的博客
04-24 2万+
<Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition > Kaiming He         当前深度卷积神经网络（CNNs）都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度(因为要经过crop/warp)。本文给网...
目标检测网络之SPP-net详解
a24444054d的博客
07-18 3483
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
RCNN 系列之SPPNet详解
fangfang的专栏
01-09 5037
RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。这一系列是个递进关系，也是目标检测使用two-stage方法的一个发展过程。想要更好的理解Faster RCNN和R-FCN，只能把这算法都梳理清楚了，才能明白这个递进过程。 本篇讲解的是SPPNet。2015年发表在IEEE。 SPPNet为何出现？ 之前的网络，比如LeNet，A
目标检测之Faster R-CNN
最新发布
qq_45647530的博客
05-31 984
阶段任务分类损失回归损失是否只对正样本回归RPN二分类交叉熵损失Smooth L1✅ 是Fast R-CNN多分类Softmax + 交叉熵Smooth L1（多类）✅ 是这种设计是 Faster R-CNN 成功的重要原因之一，为后续如 Mask R-CNN、RetinaNet 等提供了统一思路。
SPP-NET
编辑尼撑
12-05 448
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
cdknight_happy的专栏
02-25 1331
论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 1 摘要 现有的深度卷积神经网络（CNN）需要固定大小（例如，224×224）的输入图像。这种要求是“人为的”并且可能降低任意尺寸/比例的图像或子图像的识别精度。在本文中，我们为网络配备了更具原则性的池化策略，即“空间金字塔池化”，以消除...
SPPnet
Lionelxk的博客
12-14 607
http://blog.csdn.net/cv_family_z/article/details/46832845
SPP Net
wyBluewind的博客
11-09 743
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...
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 详解
Kula的博客
03-14 1001
（一）网络结构调整（二）SPP layer 结构（三）训练阶段（四）测试阶段
SPP-net
一行一生
08-14 179
SPP-net待续。。。。。
SPP-net论文笔记《Spatial Pyramid Pooling in Deep Convolutional Network for Visual Recognition》
邬小阳
03-12 4938
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
Spp-Net 论文阅读
菜鸟驿站
09-27 826
前面说RCNN的时候，说到了几个缺点： 1). 训练步骤繁琐：首先要用SS算法提取图片的候选区域，然后利用IOU计算每一块候选区域的标签，这是需要单独计算并将数据保存下来的。其次，利用候选区域与候选区域的标签训练CNN+SVM。最后利用BBox对边框回归。 2). 训练测试的速度均比较慢 3). 训练占用较大磁盘空间 4). 由于存在fc，所以需要对候选区域尺寸进行Resize，这样会导致...
SPPnet详解
qq_41496108的博客
12-11 836
RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。 作者是何凯明 SPPNet出现的原因 之前的网络，比如LeNet，AlexNet，ZF，VGG等，它们的输入都是固定大小的，为什么要固定大小呐？原因就在最后连接的全连接层上。全连接层的输入一定是固定大小的。这一点很容易理解，因为全连接层网络就是传统的神经网络，传统的神经网络的输入层必定是固定大小的。而卷积神经网络的conv层的输入并不需要固定大小， 那么conv层不用固定大小，FC层的输入又要固定大小，那么在这两
sppnet
陈依依的博客
12-08 1241
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
SPP-net论文
03-16
### SPP-Net 论文概述 SPP-Net 是一种基于深度卷积神经网络的空间金字塔池化方法，其核心在于通过引入空间金字塔池化（Spatial Pyramid Pooling, SPP）层，使得模型能够接受任意尺寸的输入图像，并生成固定长度的特征表示[^1]。这种方法突破了传统卷积神经网络对输入图像尺寸固定的限制。 #### SPP-Net 的主要特点 SPP-Net 在最后一个卷积层之后加入了一个 SPP 层，该层通过对特征图进行多尺度池化操作，生成固定长度的输出向量[^2]。这一特性允许网络在不改变整体结构的情况下适应不同分辨率的输入数据。此外，SPP-Net 不仅适用于图像分类任务，在目标检测领域也表现出显著优势[^4]。 #### SPP-Net 的工作原理 SPP-Net 的基本流程如下： 1. 输入图像经过一系列卷积层提取特征； 2. 特征图被传递到 SPP 层，其中通过多个子区域划分实现多层次的信息聚合； 3. 聚合后的特征被展平为一维向量，并作为后续全连接层或分类器的输入[^3]。 以下是 SPP-Net 中的关键代码片段展示如何实现空间金字塔池化： ```python import torch.nn as nn class SpatialPyramidPooling(nn.Module): def __init__(self, pool_sizes=[1, 2, 4]): super(SpatialPyramidPooling, self).__init__() self.pool_sizes = pool_sizes def forward(self, x): N, C, H, W = x.size() pooled_features = [] for size in self.pool_sizes: kernel_size = (H // size, W // size) stride = kernel_size padding = (0, 0) pooled = nn.functional.max_pool2d(x, kernel_size=kernel_size, stride=stride, padding=padding) pooled_features.append(pooled.view(N, -1)) return torch.cat(pooled_features, dim=1) ``` 上述代码定义了一个简单的 SPP 实现方式，支持多种池化级别配置。 #### 如何获取 SPP-Net 原始论文？ 原始论文由何恺明等人撰写，标题为 **《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》**，于 2015 年发表在 IEEE 上。可以通过以下途径下载： - 使用学术搜索引擎如 Google Scholar 搜索论文标题。 - 进入 IEEE 官方网站查询相关内容。 - 利用机构访问权限或者开放存取资源库（如 arXiv）检索 PDF 文件。
评论 35
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