一文搞懂SPP（Spatial pyramid pooling）

最新推荐文章于 2023-04-20 10:05:54 发布
最新推荐文章于 2023-04-20 10:05:54 发布
阅读量7.6k 收藏 24
点赞数 5
CC 4.0 BY-SA版权
分类专栏： DL
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/NanHNU/article/details/78872815
空间金字塔池化(SPP)允许任意大小的特征图转换为固定大小的特征向量，适用于全连接层。它在RCNN等网络中避免了图像尺寸标准化的需求，通过在不同尺度上进行池化，实现网络参数共享。SPP层包括三个层次的子方框，分别进行全局最大池化，最后融合所有子方框的特征向量，形成统一尺度的输入用于分类。

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

1、简介

空间金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，这就是空间金字塔池化的意义（多尺度特征提取出固定大小的特征向量），送入全连接层。整体框架大致为：输入图像，卷积层提取特征，空间金字塔池化提取固定大小特征，全连接层。

具体的流程图如下：

 

最低0.47元/天 解锁文章

200万优质内容无限畅学
SPP-net(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
zzh0908的博客
10-18 619
Abstract  SPP-net提出了空间金字塔池化层来解决CNN只是输入固定尺寸的问题，因为单固定尺寸的输入会影响识别效果，并且对于多尺度图像的情况下鲁棒性不好。SPP-net很好的解决了以上问题，对于任意尺度图像都可以提取出固定维度的特征，实验证明SPP-net对分类任务(不同网络结构)和目标探测任务都有积极的作用。RCNN则是将候选区送入模型，这样会非常耗时，而且SPP-net网络以整张...
池化策略与空间金字塔池化：从基础到实战
最新发布
轻口味的专栏
05-09 637
池化策略在卷积神经网络中扮演着至关重要的角色，不仅能够有效降低计算复杂度，还有助于提升模型的泛化能力。传统的最大池化和平均池化方法虽然在多数任务中取得了显著成果，但在面对多尺度图像时，空间金字塔池化（SPP）展现了其独特的优势。SPP通过多尺度的池化层提取不同尺度的特征，有效提升了模型的鲁棒性和性能。
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...
空间金字塔池化（Spatial Pyramid Pooling）
酒酿小圆子呀～
04-20 3786
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。
SPP（Spatial Pyramid Pooling）解读
m0_37799466的博客
12-10 1万+
1.为什么会出现SPP结构，其作用是什么？ 通过Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文可以基本了解其作用和基本结构， 从图中可以看到传统的操作是先将原图crop（裁剪/变换，也就是类似resize操作），直接送入卷积层，然后进入全连接分类。但是每幅图像中目标物体位置和大小难以保...
SPP: Spatial Pyramid Pooling
00000cj的博客
05-01 557
paper:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition code: https://github.com/yueruchen/sppnet-pytorch 本文的创新点： Spatial Pyramid Pooling（SPP） Multi-Size Training Full Image Representation Multi-View Testing SPP in O...
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 ...
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 2889
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
SPP-Net（Spatial Pyramid Pooling Network）论文笔记
m_buddy的博客
10-24 1478
1. 论文思想 SPP-Net的提出首先是为了解决传统CNN网络对于输入图像尺寸具有严格的大小限制，其原因也就是最后的全连接层需要的输入尺寸是固定的。那么对于一副比较大的图像就需要进行剪裁了，如下图所示： 但是这样会造成数据失真以及数据的不完整。那么，要使CNN网络可以接受任意图像尺寸的输入，那就需要将提供给全连接层的参数量固定下来，这就需要SPP-Net了，也就是上图中下面的结构。其是在最后一...
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（...
SppNet中的spatial pyramid pooling(SPP)
weixin_42764391的博客
05-28 219
SPP 提出的初衷是为了解决CNN对输入图片尺寸的限制。由于全连接层的存在，与之相连的最后一个卷积层的输出特征需要固定尺寸，从而要求输入图片尺寸也要固定。 将任意尺寸的feature map用三个尺度的金字塔层分别池化，将池化后的结果拼接得到固定长度的特征向量（图中的256为filter的个数），送入全连接层进行后续操作。 后来的Fast RCNN网络即借鉴了SPP的思想。 其中的ROI Poo...
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。
SPP（Spatial Pyramid Pooling）
fangweijiex的博客
06-13 1444
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(Spatial Pyramid Pooling)详解
weixin_34242509的博客
05-23 1971
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...
spatial pyramid pooling(spp)
AliceH1226的博客
12-22 1757
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
Spatial pyramid pooling回顾
THE XING
08-17 477
  卷积是不具有尺度不变性的，只是类似Spatial pyramid pooling的结构给网络带来了不同尺度下优良的效果。本文需要记录这块的小知识点。 1. SPP-Net   当时为了能让CNN与FC衔接，网络使用不同size，stride的pooling layer，对全连接层前的卷积层进行pooling，然后做flatten 2. PSP Net 17年的一篇cvpr，作者提出pyr...
SPP:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(阅读)
深藏功与名
10-07 2842
SPP-Net已经是很早之前读过的，没有记录，现在整理检测系列的这几篇，这里简单在过一遍。 论文中最重要的部分是SPM，SPM的详细阅读见博客。 先看一下整体sppnet_poster
SPP-net：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
xbcReal的博客
07-25 900
一提到SPP-net就不可避免的会提到R-CNN，那这两者之间是个什么关系呢？通过之前的博客也可以了解到，R-CNN它是用于目标检测的一个框架，它使用了selective search提出了proposals，然后训练AlexNet提取特征，最后通过训练SVM分类器完成分类，从而最终完成detection的功能。那么SPP-net也是一个新的框架吗？我认为应该不能算是一个新的框架，事实上，SPP-n
深度学习_目标检测_SPP(Spatial Pyramid Pooling)详解
欢迎大家关注我
08-20 3863
目标检测中的SPP模块详解（全网最详细）
DSPP dense spatial pyramid pooling
03-30
### Dense Spatial Pyramid Pooling (DSPP) 的概念与实现 Dense Spatial Pyramid Pooling 是一种用于计算机视觉中的技术，旨在通过多尺度特征提取来增强模型的空间表示能力。它最初由 Kaiming He 等人在其研究中提出并应用于卷积神经网络架构中[^2]。 #### DSPP 的核心原理 DSPP 基于空间金字塔池化（Spatial Pyramid Pooling, SPP），后者允许输入图像具有任意尺寸而无需固定大小的约束。SPP 将特征图划分为不同数量的区域，并对每个区域执行最大池化操作以生成固定长度的输出向量。相比之下，DSPP 进一步引入密集连接的思想，在多个层次上捕获更丰富的上下文信息。这种设计使得 DSPP 能够更好地处理目标检测和语义分割等任务中的多尺度对象问题。 以下是 DSPP 实现的核心要点： 1. **多层次划分**: 特征图被分成若干层，每层对应不同的网格密度。例如，可以设置为 \(3 \times 3\), \(2 \times 2\) 和 \(1 \times 1\) 的子区域。 2. **池化操作**: 对每一层的所有子区域应用池化函数（通常为最大池化）。这会生成一组固定维度的特征向量集合。 3. **融合策略**: 不同层次的池化结果可以通过级联或加权求和的方式组合起来，形成最终的全局描述符。 下面是一个简单的 PyTorch 实现示例： ```python import torch.nn as nn import torch class DenseSpatialPyramidPooling(nn.Module): def __init__(self, input_channels, pool_sizes=[6, 3, 2, 1]): super(DenseSpatialPyramidPooling, self).__init__() self.pool_sizes = pool_sizes self.spatial_pyramids = nn.ModuleList() for size in pool_sizes: self.spatial_pyramids.append( nn.Sequential( nn.AdaptiveAvgPool2d(output_size=(size, size)), nn.Conv2d(input_channels, input_channels // len(pool_sizes), kernel_size=1), nn.ReLU(inplace=True) ) ) def forward(self, x): features = [] for sp in self.spatial_pyramids: pooled_feature = sp(x) upsampled_feature = nn.functional.interpolate(pooled_feature, size=x.size()[2:], mode='bilinear', align_corners=True) features.append(upsampled_feature) combined_features = torch.cat(features, dim=1) return combined_features ``` 此代码定义了一个 `DenseSpatialPyramidPooling` 类，其中包含了自适应平均池化以及后续的一维卷积层用来减少通道数。最后，所有经过池化的特征会被插值回原始分辨率并通过拼接方式结合起来。 上述方法能够有效提升 CNN 模型对于复杂场景下物体识别的能力，尤其是在面对多种比例的目标时表现出显著优势。 ---
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