Spatial Pyramid Pooling（SPP）原理简介

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 · 2.7k 阅读 · 4 ·
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：

#深度学习 #卷积

介绍了SPP（空间金字塔池化）如何解决传统CNN网络对输入图片尺寸固定的限制，提高目标检测算法如R-CNN的效率。通过SPP层可以在不同大小的featuremap上提取固定长度的特征向量。

b站这个Up主讲的挺好，就是莫名其妙搞个背景音乐怪怪的。。。视频讲解
Spatial Pyramid Pooling（SPP）中文叫空间金字塔池化
SPP目的：这个原理要解决的是传统CNN网络对输入图片尺寸要固定这个限制，比如AlexNet中的输入图片都有固定此村224×224，RCNN中为了讲Proposals 做CNN卷积提取特征也得先将不同大小的Proposal经过wrap缩放成同一大小。
为什么CNN要求输入的图片尺寸固定呢？
因为CNN中的最后的全连接层的输入尺寸是固定的（别问我全连接层为什么输入尺寸是固定的/狗头），所以从全连接层倒推到前面的卷积层，卷积层的输入也得是固定的了。
为什么作者要解决这样的限制呢，固定大小不行吗？
那就得说到以R-CNN为代表的以深度学习来解决目标检测的算法模型了，RCNN首先用selective search的方法冲图片中选出2000个region proposal，然后分别将这些proposal缩放为统一大小后传入CNN进行前向传播得到各个proposal的feature map，然后再使用全连接对这些feature map作分类处理。
这样效率就非常低下，因为一张图片就得经过2000次CNN的前向传播，而且这些proposal中很多重叠的区域，十分浪费资源，虽然最终RCNN的精确度挺高，但是无论是空间还是时间都消耗很大。
所以为了解决这个问题，我们首先就得解决CNN对图片大小输入固定的要求！这样我们就可以先提取整个图片的特征，然后将各个proposal映射到这个feature map上，对应每个proposal截取feature map上对应的一部分，得到若干小的feature map，然后将这些大小各异的feature map输入全连接层进行接下来的操作。
解决CNN对图片大小的输入实际上的切入点就是在最后一个卷积层

最低0.47元/天 解锁文章
空间金字塔池化（Spatial Pyramid Pooling）
酒酿小圆子呀～
04-20 3983
上面这个图可以看出SPPnet和RCNN的区别，首先是输入不需要放缩到指定大小。其次是增加了一个空间金字塔池化层，还有最重要的一点是每幅图片只需要提取一次特征。SPPnet虽然解决了CNN输入任意大小图片的问题，但是还是需要重复为每个region proposal提取特征啊，能不能我们直接根据region proposal定位到他在卷积层特征的位置，然后直接对于这部分特征处理呢？答案是肯定的。
Spatial Pyramid Pooling
庆志的小徒弟
07-14 1363
一、 前言 在目标检测系列文章的上一篇R-CNN中，我们知道R-CNN在当时虽然取得了不错的成绩，但是其需要改进的地方也很多，比如算法步骤比较繁琐，需要大量的时间和内存去训练和测试模型等。除此之外，在训练和测试常见的CNN网络时，要求输入的图像有一个固定的大小，比如CNN要求图像的输入为224*224。（网络前面的卷积层不要求输入图像的大小，后面的全连接层的输入特征数是固定的，需要固定的输入）这...
什么是 SPP-Net
最新发布
彬彬侠的博客
10-24 988
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。
Spatial Pyramid Pooling（空间金字塔池化）-变尺度CNN训练
热门推荐
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)详解
weixin_34242509的博客
05-23 2028
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...
SPP（Spatial Pyramid Pooling）
fangweijiex的博客
06-13 1482
使用多个窗口(pooling窗口，上图中蓝色，青绿，银灰的窗口， 我们先看最左边有16个蓝色小格子的图，它的意思是将从(conv_5)得到的特征映射分成16份，另外16X256中的256表示的是channel，即SPP对每一层都分成16份(不一定是等比分，原因看后面的内容就能理解了)。 中间的4个绿色小格子和右边1个紫色大格子也同理，即将特征映射分别分成4X256和1X256份 那么将特征映射分成若干等分是做什么用的呢？ 我们看SPP的名字就是到了，是做池化操作，一般选择MAX Pooling，即对每一份进
SPP Net 空间金字塔池化(Spatial Pyramid Pooling, SPP)原理
11-03 4315
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...
空间金字塔池化(Spatial Pyramid Pooling, SPP)原理及代码实现(Pytorch)
Viraha_的博客
03-20 2982
空间金字塔池化(Spatial Pyramid Pooling, SPP)原理及代码实现(Pytorch) 卷积神经网络(CNN)由卷积层和全连接层组成，其中卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是第一个全连接层，因此基本上所有的CNN都要求输入数据固定大小，例如著名的VGG模型则要求输入数据大小是 (224*224) 。 固定输入数据大小有两个问题： 1.很多场景所得到数据并不是固定大小的，例如街景文字基本上其高宽比是不固定的。 2.可能你会说可以对图片进行切割，但是切割的话很可能
深度学习-空间金字塔池化(Spatial Pyramid Pooling SPP)
Tc、zyh的博客
10-23 7292
文章目录1、介绍2、SPP显著特点3、什么是金字塔池化层 参考：https://blog.youkuaiyun.com/qqliuzihan/article/details/81217766 1、介绍 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。然而通常的手法就是裁剪(crop)和拉伸(warp)。 这样做总是不好的：图像的纵横比(ratio aspect)
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
05-21
work, we equip the networks with another pooling strategy, “spatial pyramid pooling”, to eliminate the above requirement. The new network structure, called SPP-net, can generate a fixed-length ...
Spatial Pyramid Pooling Net 介绍
09-22
本文档主要介绍了SPP-Net一文中的网络架构和主要思想。
spatial pyramid pooling(spp)
AliceH1226的博客
12-22 1776
没有spp的网络的缺点 1，现有的dcnn需要固定尺寸的图片作为输入，这样对图片的宽高比和尺寸大小作出了限制。 2，如果图片尺寸是任意的，在输入之前需要做裁剪或图像扭曲(crop or warp(resize))来适应网络的固定尺寸输入。剪切后的图片可能不能包含整个物体。扭曲后的内容可能会导致几何变形。识别准确率会因为物体内容缺失或变形而减低。 使用spp的好处 1，spp能生成一个固定长度的输出，不管输入图片大小是否相同。 2，spp使用多级spatial bins，而sliding window poo
讲解 Spatial Pyramid Pooling
qq_43703185的博客
07-13 945
原文链接：https://zhuanlan.zhihu.com/p/34788333?utm_source=ZHShareTargetIDMore SPP背景传统CNN所需要的固定维度输入这一限制,是造成任意尺度的图片识别准确率低的原因.传统的CNN需要先对训练图片进行处理,使其维度相同.具体有两种做法,裁剪(cropping)和扭曲(warping).如下图.缺点是:裁剪了的区域可能并不包含整个物体,而扭曲则会带入几何方面的失真.另外,即使是裁剪和扭曲,我们仍然是认为规定了一个输入尺度,而真实的物体尺度很
空间金字塔池化Spatial Pyramid Pooling
null的专栏
11-15 1411
针对不同大小的输入图像，在传统CNN网络中，需要首先将图像通过裁剪或者拉伸等变换转换到固定大小，通过分析，不同尺寸的输入主要是对全连接层有影响，SPP-Net中，在全连接层之前引入Spatial Pyramid Pooling Layer，可以将任意大小的输入转换成固定大小的输出。
spatial pyramid pooling（空间金字塔池化理解）
jwspl的博客
05-26 1241
起源 何凯明2014年的paper：《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。paper主页 目的 缓解卷积或池化与全连接层的大小差异，因为卷积与池化无论大小都是一样做的，全连接却要求输入大小，因为有固定的权重矩阵。 原理 空间金字塔是很久以前的一种特征提取方法，跟Sift、Hog等特征息息相关。为了简单起见，我们假设一个很简单两层网络：
深度学习_目标检测_SPP(Spatial Pyramid Pooling)详解
欢迎大家关注我
08-20 4027
目标检测中的SPP模块详解（全网最详细）
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...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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