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7.4k 收藏 24
点赞数 5
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
版权
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。
摘要由CSDN通过智能技术生成

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
YangHNU
关注
专栏目录
SPP-net(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
zzh0908的博客
10-18 548
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...
SPP（Spatial Pyramid Pooling）
fangweijiex的博客
06-13 1384
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
spatial pyramid pooling(spp)
AliceH1226的博客
12-22 1691
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
08-17 416
  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 2792
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
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 2576
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 1403
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...
空间金字塔池化 spatial pyramid pooling（spp）
mn08290125的博客
10-09 785
空间金字塔池化（spatial pyramid pooling）是把经过CNN（提特征）之后形成的任意不同尺寸的feature map转变成相同大小的特征向量，然后送入全连接网络fc中 整体过程：Image -->cnn（进行提特征）–>spp -->fc ...
SPP（Spatial Pyramid Pooling）解读
热门推荐
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-net：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
xbcReal的博客
07-25 832
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 3760
目标检测中的SPP模块详解（全网最详细）
空间金字塔池化（Spatial Pyramid Pooling）
酒酿小圆子呀～
04-20 2693
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。
【目标检测】SPP-Net (Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
SmileLing的专栏
04-12 1万+
K. He, X. Zhang, S. Ren, and J. Sun. Spatial pyramid pooling in deep convolutional networks for visual recognition. In ECCV, 2014. Kaiming的这篇paper，是在R-CNN的基础上提出了空间金字塔变换层(Spatial Pyramid Pooling)...
SPP pooling layer
yuanchheneducn的博客
10-18 3362
参考：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual RecognitionSPP_net的提出因为传统的CNNs网络只能接受固定size的images。实际上，卷积层可以输入任意尺度的, 但这样就会导致输出的feature map 大小不同；而InnerProduct layer 的输入必须是固定的。因此在CNN
SPP
weixin_37958272的博客
08-11 1834
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 扩展阅读：SPP(Spatial Pyramid Pooling)详解 SPP 现有的深度卷积神经网络(CNNs)需要一个固定尺寸(如224x224)的输入图像。这种要求是 “人为的”，可能会降低任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了另一种池化策略，即 “空间金字塔池化”，以消除上述要求。新的网络结构，称为SPP-net，
空间金字塔池化(Spatial Pyramid Pooling, SPP)
最新发布
06-10
空间金字塔池化（Spatial Pyramid Pooling，SPP）是一种用于图像分类的技术。它允许在输入图像的大小不同的情况下，将其转换为固定长度的特征向量。SPP池化层在输入特征图上创建一系列不同大小的固定尺度的池化窗口，并对每个窗口提取最大值。然后，将每个窗口中提取的最大值串联在一起，形成一个固定长度的特征向量。这个特征向量可以传递给全连接层进行分类。 SPP的一个重要应用是在目标检测中，例如Faster R-CNN和YOLO算法中。在这些算法中，SPP层可以处理不同大小的输入图像，并生成与输入图像大小无关的特征向量，从而提高模型的检测性能。
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