RCNN学习笔记(3):Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)

最新推荐文章于 2025-02-09 13:54:11 发布
最新推荐文章于 2025-02-09 13:54:11 发布
阅读量3.2w 收藏 154
点赞数 50
分类专栏： RCNN Caffe DL 深度学习RCNN系列详解 文章标签： 深度学习 DeepLearn caffe RCNN
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.csdn.net/u011534057/article/details/51219959
版权
SPP-net解决了深度学习网络输入尺寸固定的问题，通过空间金字塔池化层，实现任意尺寸输入并输出固定长度特征。在RCNN基础上，SPP-net提高了目标检测速度，降低了计算成本。它将全连接层前移，允许对整幅图像进行一次卷积，随后使用SPP层进行多尺度池化，确保不同尺寸ROI的特征向量长度一致。SPP层包含多个尺度的池化区域，如6x6、3x3、2x2和1x1，使得网络能够处理不同尺度的输入图像。在训练时，采用多尺度输入，而在测试时可直接应用SPP-net于任意尺寸的图像。

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


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，全连接层是需要固定大小输入的，因此提出了SPP层放到卷积层的后面，改进后的网络如下图所示：
这里写图片描述

SPP是BOW的扩展，将图像从精细空间划分到粗糙空间，之后将局部特征聚集。在CNN成为主流之前，SPP在检测和分类的应用比较广泛。


SPP的优点：

1）任意尺寸输入，固定大小输出

2）层多

3）可对任意尺度提取的特征进行池化。


理解池化:

说下池化，其实池化很容易理解，先看图：

R-CNN提取特征比较耗时，需要对每个warp的区域进行学习，而SPPNet只对图像进行一次卷积，之后使用SPPNet在特征图上提取特征。结合EdgeBoxes提取的proposal，系统处理一幅图像需要0.5s。

SPP层的结构如下，将紧跟最后一个卷积层的池化层使用SPP代替，输出向量大小为kM，k=#filters,M=#bins，作为全连接层的输入。至此，网络不仅可对任意长宽比的图像进行处理，而且可对任意尺度的图像进行处理。尺度在深层网络学习中也很重要。



这里写图片描述



网络训练： 


1.multi-size训练，输入尺寸在[180,224]之间，假设最后一个卷积层的输出大小为 a×a ，若给定金字塔层有 n×n 个bins，进行滑动窗池化，窗口尺寸为 wi

最低0.47元/天 解锁文章
（SPP-net）Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文阅读笔记
weixin_43422466的博客
05-22 1518
（SPPNet）Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文阅读笔记2014 Abstract 目前的深层CNN都需要固定尺寸的输入图像。这种需要是“人工的”，可能会对任意尺度的图像识别的准确率有所降低。本文中，我们提出了一种新的网络，使用了另一种池化策略，“空间金字塔池化”，来消除上面的这种固定尺寸要求。**我们的新网络，SPP-net，无论输入图像的尺寸，都生成一个固定维度的表示repres
目标检测之SPP--spatial pyramid pooling layer
swan777的博客
08-04 1164
crop就是从一个大图扣出网络输入大小的patch，比如227×227 warp就是把一个边界框bounding box的内容resize成227×227 但warp/crop这种预处理，导致的问题要么被拉伸变形、要么物体不全，限制了识别精确度。没太明白？说句人话就是，一张16:9比例的图片你硬是要Resize成1:1的图片，你说图片失真不？ SPP Net训练和测试的方法基...
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
05-21
Existing deep convolutional neural networks (CNNs) require a fixed-size (e.g., 224224) input image. This requirement is “artificial” and may reduce the recognition accuracy for the images or sub-images of an arbitrary size/scale. In this 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 representation regardless of image size/scale. Pyramid pooling is also robust to object deformations. With these advantages, SPP-net should in general improve all CNN-based image classification methods. On the ImageNet 2012 dataset, we demonstrate that SPP-net boosts the accuracy of a variety of CNN architectures despite their different designs. On the Pascal VOC 2007 and Caltech101 datasets, SPP-net achieves state-of-theart classification results using a single full-image representation and no fine-tuning. The power of SPP-net is also significant in object detection. Using SPP-net, we compute the feature maps from the entire image only once, and then pool features in arbitrary regions (sub-images) to generate fixed-length representations for training the detectors. This method avoids repeatedly computing the convolutional features. In processing test images, our method is 24-102 faster than the R-CNN method, while achieving better or comparable accuracy on Pascal VOC 2007. In ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2014, our methods rank #2 in object detection and #3 in image classification among all 38 teams. This manuscript also introduces the improvement made for this competition
计算机视觉——图像金字塔理解与代码示例
最新发布
02-09 663
有时为了在图像中检测一个物体（例如人脸、汽车或其他类似的物体），需要调整图像的大小或对图像进行子采样，并进行进一步的分析。在这种情况下，会保持一组具有不同分辨率的同一图像。称这种集合为图像金字塔。之所以称之为金字塔，是因为当按分辨率降序排列这些图像时，会形成一个以正方形为底的金字塔形状。下面的图片可以帮助你更详细地理解这个概念。新层的面积将是下面层的1/4。如果底层图像（高分辨率或第0层）的大小是M x N，那么它上面的层的大小将是(M/2 x N/2)。其中图层越高，尺寸越小。
《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》
正在挣扎中的人
11-15 1601
1. 研究问题 流行的CNN由于全连接层的存在，需要固定尺寸的输入图像，这限制了输入图像的纵横比和尺度，当前方法主要通过裁剪或变形将输入图像变换到固定尺寸，这样会导致图像内容的丢失或失真，从而影响图像识别的准确性。 2. 研究方法 将空间金字塔池化（SPP）加入卷积网络中，生成固定长度的输出特征，而与输入图像的尺寸无关，然后将该特征馈入全连接层或分类器中，完成各种视觉任务。 空间金字塔池化层（The Spatial Pyramid Pooling Layer） 文章以AlexNet为例，讨论SPP laye
目标检测——SPPNet算法解读
lishanlu136的博客
11-30 1863
SPPNet算法解读
【CV论文精读】【SPPnet】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
weixin_44184852的博客
03-04 779
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”，可能会损害任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了一个更有原则的池化策略，“空间金字塔池化”，以消除上述要求。新的网络结构称为SPP-net，可以生成固定长度的表示，而不管图像大小/比例。通过消除固定大小的限制，我们可以改进所有基于CNN的图像分类方法。
深度学习研究理解7：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
whiteinblue的专栏
02-02 2万+
本文是MSRA何恺明于13年撰写的论文，主要是把经典的Spatial Pyramid Pooling结构引入CNN中，从而使CNN可以处理任意size和scale的图片；这中方法不仅提升了分类的准确率，而且还非常适合Detection，比经典的RNN快速准确。 一：介绍 目前流行的CNN都需要固定size和scale的输入图片；所以基本上都是通过剪裁（crop）和wrap（这个不知道怎么翻译）
R-CNN论文详解
wzy的博客
10-15 1万+
paper链接：Rich feature hierarchies for accurate object detection and semantic segmentation &创新点 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力； 采用大样本下有监督预训练+小样本微调的方式解决小样本
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（...
RCNN学习笔记(5)：faster rcnn
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-26 3万+
reference link： http://blog.csdn.net/shenxiaolu1984/article/details/51152614 http://blog.csdn.net/xyy19920105/article/details/50817725 思想 从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征
深度学习物体检测（二）——SPPnet
zchang81的博客
04-05 2714
SPPnet（Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition）的特点是接受任意大小候选区域，经过可变的池化后生成固定长度的特征。SPPnet可提升 24-102 倍R-CNN检测的速度。
目标检测系列(2):SPP
alfred_torres的博客
10-08 981
Object detection 之 SPP Spatial Pyramid Pooling in Deep convolutional Networks for Visual Recognition 用于视觉识别的卷积神经网络空间金字塔池化 1 引入SPP的原因 之前的CNN网络都要求输入图片的大小是固定的，比如AlexNet要求227x227、VGG要求224x224。这样的话，对于任意一张...
RCNN系列总结（RCNN,SPPNET,Fast RCNN,Faster RCNN）
Mingjian_LI的博客
01-04 9731
传统的目标检测方法大概分为区域选择、特征提取（SIFT、HOG等）、分类器（SVM等）三个部分，其主要问题有两方面：一是区域选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。以下介绍基于Region Proposal的深度学习目标检测算法R-CNN->SPP-NET->Fast R-CNN->Faster R-CNN. R-CNN 创新点 采用CNN网络
RCNN学习笔记
weixin_43951995的博客
02-08 333
RCNN学习笔记一、RCNN的特点与性能二、RCNN的创新点三、传统目标检测思路四、RCNN的整体思路 论文题目：Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5) 论文链接：https://www.cv-foundation.org/openaccess...
Pyramid pooling module
wd18508423052的博客
06-27 1万+
Pyramid pooling 方法出自 2017CVPR,原文地址https://arxiv.org/pdf/1612.01105.pdf 该文的一大贡献就是Pyramid pooling module(简称PPM) 1. PPM有什么用 一般可以粗略地认为感受野就是使用上下文信息的大小。在很多网络中，我们都很重视全局信息的获取。在FCN中，就是没有充分的场景的上下文信息，导...
【深度学习】R-CNN 论文解读及个人理解
热门推荐
frank 的专栏
08-24 22万+
背景 本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，翻译过来就是针对高准确度的目标检测与语义分割的多特征层级，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。 本文作者：Ross Girshick，JeffDonahue,TrevorDarrell,Ji...
评论 8
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