带孔空间金字塔池化（ASPP）

最新推荐文章于 2024-11-19 23:21:57 发布
最新推荐文章于 2024-11-19 23:21:57 发布
阅读量2.9k 收藏 2
点赞数
分类专栏： 语义分割 文章标签： 深度学习 pytorch 神经网络
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/JNingWei/article/details/120125191
版权

  • 在DeepLab中，采用空间金字塔池化模块来进一步提取多尺度信息，这里是采用不同rate的空洞卷积来实现这一点。

  • ASPP模块主要包含以下几个部分：

    • （1）一个1×1卷积层，以及三个3x3的空洞卷积，对于output_stride=16，其rate为(6, 12, 18) ，若output_stride=8，rate加倍（这些卷积层的输出channel数均为256，并且含有BN层）；

    • （2）一个全局平均池化层得到image-level特征，然后送入1x1卷积层（输出256个channel），并双线性插值到原始大小；

    • （3）将（1）和（2）得到的4个不同尺度的特征在channel维度concat在一起，然后送入1x1的卷积进行融合并得到256-channel的新特征。

    • 在这里插入图片描述

    • 在这里插入图片描述

  • DeepLab-LargeFOV（左：即仅单个atrous conv），DeepLab-ASPP（右，即ASPP）：

    • 在这里插入图片描述
ResNet改进(10)：添加 ASPP（Atrous Spatial Pyramid Pooling）
2401_82355416的博客
03-20 129
ASPP通过空洞卷积（Atrous Convolution）在单层特征图上实现多尺度特征提取，兼顾效率和性能。ASPP（Atrous Spatial Pyramid Pooling）是一种用于语义分割的模块，旨在通过多尺度特征提取提升模型性能。空洞卷积通过在卷积核中插入“空洞”来扩大感受野，无需增加参数量或分辨率。：使用不同空洞率（如1, 6, 12, 18）的卷积层，提取多尺度特征。：将多尺度特征和全局特征拼接或相加，融合后通过1x1卷积调整通道数。：通过不同空洞率捕捉多尺度信息。
YOLOv8改进 | SPPF | 具有多尺度带孔卷积层的ASPP【CVPR2018】
kay_545
06-24 1929
yolov8改进， yolov8. ASPP
SPP、SPPF 、 SimSPPF 、 ASPP、 SPPCSPC详解
@bangbang的博客
07-18 2万+
模块是在《ECCV2018:Receptive Field Block Net for Accurate and Fast Object Detection》一文中提出的，该文的出发点是模拟人类视觉的感受野从而加强网络的特征提取能力，在结构。为每个采样率提取的特征在单独的分支中进一步处理，并融合以生成最终的结果。这个是Yolov5作者基于SPP提出的，速度较SPP快很多（2.5倍），所以叫做。ASPP 是在DeepLab中提出来的，在后续的。层，加入深度可分离卷积等，但基本的思路还是没变。
空间金字塔池化_回顾语义分割—DenseASPP （密集空洞空间金字塔池化）
weixin_39637285的博客
12-16 2096
引言 在分辨率大，分割目标尺度范围广的语句分割任务中，长距离的上下文信息以及不同尺度的信息对于分割结果十分重要。所以为了增大卷积但感受野，常常对提取的feature map进行池化以达到感受野增大的效果，同时通过跳跃连接来结合多尺度的信息。存在的问题 由于池化是一种直接粗暴的方式，所以每一次池化后都会牺牲空间分辨率，多次池化后可能造成信息丢失而影响分割效果提出的方法论文地址https://ie...
空间金字塔池化、空洞卷积、深度可分离卷积
c_we_living的博客
03-02 1524
深度可分离卷积
空间金字塔池化_可学习的空间金字塔注意力池化模块，用于图像合成和图像到图像转换...
weixin_39861054的博客
12-16 775
链接：Learning Spatial Pyramid Attentive Pooling in Image Synthesis and Image-to-Image Translation简介：Image synthesis and image-to-image translation are two important generative learning tasks. Remarkable...
[Neck] 空间金字塔池化【池化策略】(Space Pyramid Pool, SPP)模块和路径聚合网络【增强】(Path Aggregation Network, PANet)的结构
Hali_Botebie的博客
04-23 1838
现有的（传统的） CNNs 由于有全连接层所以必须需要固定输入图片的尺寸，比如 224 × 224。本文为传统的网络结构增加了一个池化策略，即空间金字塔池化，spatial pyramid pooling，来突破全连接层对整个网络输入图像的约束。
SPP：空间金字塔池化
CITY_OF_MO_GY的博客
11-19 1225
SPP/SPPF金字塔池化
YOLO11改进 | SPPF | 具有多尺度带孔卷积层的ASPP【CVPR2018】
kay_545
10-03 1242
yolo11，yolo11改进，yolo11-SPPF
DeepLap 系列论文
soarflight_ing的博客
11-19 1334
DeepLap 系列论文 分割中仍存在的问题 1、不断降低的分辨率，连续的池化或下采样导致图像的分辨率大幅下降，从而损失了原始信息，且在上采样过程中难以恢复。因此，越来越多的网路都在试图减少分辨率的损失，比如使用空洞卷积，或者使用步长为2的卷积操作代替池化。实验证明，此类方法是有效的。 2、多尺度目标的存在，无法很好的分割。 3、定位精度比较低，对物体的边界分割不够细化。 DeepLap v1 摘要 主要背景：DCNNs 的最后一层不足以进行精确分割目标。 主要贡献：本文将深度卷积神经网络和CRF（条件随机
深入浅出之SPP、SPPF、SPPCSPC与ASPP模块（YOLO）
浩瀚之水的专栏
09-18 1万+
YOLOv4中的SPP模块是一个重要的组成部分，它通过融合不同尺度大小的特征图来增强网络的特征提取能力。SPP的引入使得YOLOv4能够更好地适应不同大小的输入图像，并提取出更加丰富的特征信息，从而提高目标检测的精度和泛化能力。
空间金字塔池化
03-19
Deeplab Semantic image segmentation with deep convolutional nets, atrous convolution 空间金字塔池化的文章
ASPP中文
最新发布
03-27
根据记忆，ASPP是Atrous Spatial Pyramid Pooling的缩写，中文通常翻译为“空洞空间金字塔池化”或者“带孔空间金字塔池化”。接下来，我需要验证这个翻译是否正确，并确保没有混淆其他类似术语，比如SPP（空间...
spatial pyramid pooling（空间金字塔池化）
weixin_41927751的博客
09-15 270
空间金字塔池化，何凯明的文章。用于解决一个很简单且现实的问题，因为R-CNN网络或者其他的网络，最终需要统一图片的尺寸以及大小，然后继续送入后续的网络中。一般来说，为了得到固定尺寸的图片，有两种做法：1) croping裁剪；2) warping变形。即对于多尺度问题，提前设定好的尺寸大小是不利的。
SPP-net：空间金字塔池化
AI数据工厂
02-19 850
SPP的提出，使得任意大小的输入变得可能，这与FCN类的网络有异曲同工之妙。由于不限制输入大小，所以就可以提取到多尺度的信息，这种特性就是多尺度训练的基础。另外，SPP中使用多种网格对原feature map进行划分，因此这里也可以提取到多尺度的信息，这进一步使模型更加鲁棒。
【5】YOLOv10更换空间金字塔池化模块 【手把手教学】【先进模块随心选】
up主为在读研究生，从事cv研究4余年，绝对靠谱。
06-17 3245
本文主要介绍的是如何改进替换YOLOv10的空间金字塔池化模块，提供了9种先进模块供大家参考，使用时可据自己的实际情况进行选择。Spatial Pyramid Pooling (SPP)模块由何恺明等人于2014年的论文《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》中提出，旨在解决传统卷积神经网络（CNN）在处理变尺寸输入图像时的限制。
空间金字塔池化Spatial Pyramid Pooling
null的专栏
11-15 1129
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。
SPP(Spatial Pyramid Pooling)详解
weixin_34242509的博客
05-23 1933
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...
空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC
热门推荐
YOLOv8项目贡献者
08-15 14万+
汇总一些SPP结构
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