SPPnet 详解

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 · 2.2k 阅读 · 13 ·
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：

#sppNet #深度学习

SPPNet由何凯明提出，通过空间金字塔池化层解决全连接层对固定大小输入的需求。SPPNet在训练时采用single-size和Multi-size策略，加速收敛。它先进行一次性特征提取，然后对候选区域进行SPP处理，显著提高目标检测的速度。相比RCNN，SPPNet减少了大量重复计算，降低了训练时间。

RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。

 

  前不久刚刚看完rcnn和fast rcnn，对目标检测的学习更进一步。sppNet简介：

作者： 何凯明

   2016年加入成为FAIR（facebook 微软研究员），2011年获得博士学位，主要兴趣和研究在计算机视觉和深度学习。

获得cpvr和iccv多个奖项。

 

SPPNet为何出现？

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，那么在这两者之间加上一层SPP即可解决这个问题了。

spp的实现

黑色图片代表卷

最低0.47元/天 解锁文章
深入浅出之SPPNET网络
浩瀚之水的专栏
09-17 3803
在普通的CNN机构中，输入图像的尺寸往往是固定的（比如224*224像素），输出则是一个固定维数的向量。SPP Net在普通的CNN结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。
SPP-Net 详解
Kula的博客
03-14 1055
（一）网络结构调整（二）SPP layer 结构（三）训练阶段（四）测试阶段
什么是 SPP-Net
最新发布
彬彬侠的博客
10-24 999
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——SPPNet【含全网最全翻译】
热门推荐
PRIS-SCMonkey的博客
02-27 2万+
文章目录0. 摘要1. 简介2. 基于空间金字塔池化的深度网络2.1 卷积层和特征图2.2 空间金字塔池化层2.3 网络的训练2.3.1 单一尺寸训练2.3.2 多尺寸训练3. 用于图像分类的SPP-NET3.1 ImageNet 2012分类实验3.1.1 基准网络架构3.1.2 多层次池化提升准确度3.1.3 多尺寸训练提升准确度3.1.4 全图像表示提升准确度3.1.5 特征图上的多视图测试...
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
【目标检测】SPPnet论文详解
weixin_40500230的博客
06-20 857
原文：https://www.jianshu.com/p/90f9d41c6436 SPPnet是目标检测领域不可忽略的一篇论文，中国人何恺明大神的作品，阅读起来感觉亲（简）切（单）多了。在我看来，SPPnet主要有两处亮点：1.它解决了深度卷积神经网络（CNNs）的输入必须要求固定图像尺寸（例如224*224）的限制。2.在目标检测领域它提高了提取特征的效率，速度相比R-CNN提升24-1...
空间金字塔池化网络SPPNet详解
zuo668的专栏
02-14 2300
参考：https://cloud.tencent.com/developer/article/1441559 前言 SPP-Net是出自2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》，这篇论文解决之前深度神经网络的一个大难题，即输入数据的维度一定要固定。...
SPPNet网络结构详解
Yikong的博客
03-30 5420
上一篇有对R-CNN做出详解。地址：R-CNN详解 本文主要是描述SPPNet对R-CNN在速度上的一些改进。 R-CNN速度慢在哪里？ R-CNN慢就慢在要对每个候选区域进行卷积提取特征，上面R-CNN详解中提到选择搜索算法（selective search）会有2000个候选区域。由此可见这里面的卷积操作需要花费很多时间。 SPPNet的改进 ●减少卷积运算 ●防止图片变形 除了卷积运算多之...
两阶段目标检测原理详解--SPPNet
AI学长
03-27 3069
目录 一、RCNN的瓶颈 二、SPP的改进 （一）共享卷积网络 SPP-Net是2014年有名的两阶段目标检测算法。论文：https://arxiv.org/pdf/1406.4729.pdf 一、RCNN的瓶颈 在RCNN思路的基础上，我们继续探索目标检测的痛点，其中RCNN使用CNN作为特征提取器，首次使得目标检测跨入深度学习的阶段。 但是RCNN对于每一个区域候选都需要首先将图片放缩到固定的尺寸（224*224），然后为每个区域候选提取CNN特征。容易看出这里面存在的一些性能瓶.
目标检测(R-CNN,SPPNET,FAST-RCNN,FASTER-RCNN)
2303_79620604的博客
07-17 1088
一文搞懂rcnn，sppnet，fastrcnn，fasterrcnn。
目标检测（3）-SPPNet
爱吃鱼的猫
03-17 899
原文地址：https://zhuanlan.zhihu.com/p/27485018Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition文章地址：https://arxiv.org/pdf/1406.4729.pdfhttps://摘要沿着上一篇RCNN的思路，我们继续探索目标检测的痛点，其中RC...
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 3279
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...
论文阅读 || 目标检测系列 —— SPPNet详解
magic_ll的博客
06-14 4269
1 SPPNet网络介绍 1.1 SPPNet网络处理流程 1. 候选框提取：使用算法selective search获取输入图片的候选框，提取约2000个候选区域 2. CNN+SPP+FC（与RCNN不同之处）： 把整张图片输入到CNN中，一次性提取特征得到feature maps 并且在feature map中找到各个候选框的映射区域 对候选区域对应的feature map...
SPPnet
一千零一夜的博客
11-27 2904
参考：https://www.cnblogs.com/gongxijun/p/7172134.html http://www.cnblogs.com/chaofn/p/9305374.html 一，Pooling features from arbitrary windows on feature maps. The feature maps are computed from the en...
目标检测之SPPNet通俗详解
凌桑的自我修养--You are the Eternity
04-30 1055
R-CNN算法中我已经知道了它的几个缺点，分别是：提取候选框耗时、重复计算、多次训练；针对以上几个缺点，作者对R-CNN做了改进和优化，改进的主要突破就在于对卷积特征进行共享，避免重复计算，减小计算量。 先来看下下面这张图，第一行就是原始R-CNN的特征提取和表示的过程： 由于要将同一个卷积层的输出作为FC层的输入，所以必须要保证feature map的大小一致（因为全连接层对特征个数有严格要求...
【目标检测】SPPNet算法详解
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
SPP-net解读
阿华Go，从现在开始的博客
03-20 5225
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...
SPP-Net
InMKaKui的博客
05-15 1644
R-CNN检测一张图片需要47s？    R-CNN对图像提取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特征提取+SVM分类)，实际上是对一张图像进行了2000次特征提取和分类。    这2000个Region Proposal都是图像的一部分，那么我们完全可以对图像进行一次特征提取的操作，然后将Region Proposal在原图...
SPPNet文章
03-14
2. **SPPNet 架构详解及案例应用**: 结合具体实例说明 SPPNet 如何应用于目标检测任务中。 3. **SPPnet 总结**: 归纳整理了 SPPNet 的主要贡献点及其与其他同类方法的区别。 #### 实现代码资源 对于希望动手实践的...
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