SPPnet中的SPP pooling为什么没有Fast R-CNN的ROI pooling效果好

最新推荐文章于 2022-05-15 13:01:40 发布
最新推荐文章于 2022-05-15 13:01:40 发布
阅读量901 收藏 1
点赞数
分类专栏： object detection
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/WYXHAHAHA123/article/details/86163140
版权

spp不支持反向传播，spp那个时候，由于时代的局限性，没有backward，不能更新卷积层。是到了roi pooling之后才做出backward的

前面的CNN是Imagenet上面训练的，然后直接不动。

WYXHAHAHA123
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
SPPNet(空间金字塔池化)与RoI Pooling
jialibang的博客
09-04 1212
转载自：https://www.bilibili.com/video/BV1st411P7DW 比例池化 特征共享 第一个池化层，将feature map分成４x4份然后池化，第二个池化层将feature map 分２x２份，第三个池化层为１x 1。总共输出16+4+1个数就是要输出的21个特征。 　 对输入图像提取特征，然后在特征层进行区域划分。 由于输入大小可变，spp训练的时候就可以把训练图片按比例缩放。(相同的图片缩放至不同的尺度，相当于扩充了数据集) ...
为什么Fast R-CNN 中说SPPNet很难进行反向传播
weixin_43798819的博客
11-19 1314
英文原文解释 “The root cause is that back-propagation through the SPP layer is highly inefficient when each training sample (i.e. RoI) comes from a different image, which is exactly how R-CNN and SPPnet networks are trained. The inefficiency stems from the fact
ROI Pooling 与 SPP 理解
ggyy的NoteBook
07-31 1万+
介绍 ROI(Region of Interest) Pooling是Pooling的一种。在传统CNN中，Pooling层的作用主要有三个： 1、特征不变性，使模型更加关注是否存在某些特征而不是特征具体的位置，对于一些旋转和平移具有不变性 2、特征降维，使模型可以抽取更广泛围的特征，减小了下一层输入大小，进而减小计算量和参数个数 3、在一定程度防止过拟合，更方便优化 ROI Pooling是针对...
RoIPooling与RoIAlign的区别
weixin_36670529的博客
05-15 593
目录 一、RoIPooling与RoIAlign 1.1、RoIPooling 1.2、RoIAlign 二、双线性插值法（图像插值法） 2.1、为什么要用双线性插值法 2.3、双线性插值法的推导过程 ​​ 一、RoIPooling与RoIAlign 1.1、RoIPooling RolPooling可以使生成的候选框region proposal映射产生固定大小的featur...
目标检测(三)——Fast R-CNN
hhhcbw的博客，欢迎各位来访
01-26 1078
简介 Fast R-CNN借鉴了 SPPNet 的 spatial pyramid pooling layer ，并简化为只有一个固定范围的 RoI pooling layer。并进一步升级，将网络之间统一训练（分类+边框回归），不仅大大提高了训练与测试的速度，而且小幅地提高了mAP。 原理 改进的地方： 提出一个RoI pooling(region of interest即候选区)，然后整合整个模型，把CNN、SPP变换层、分类器、bbox回归几个模块一起训练。 ...
91.R-CNN，Fast R-CNN，Faster R-CNN原理及执行与训练的实例+实现自己的目标检测 - 向阳的博客 -
08-03
R-CNN，全称为Region-based Convolutional Neural Networks，是深度学习在目标检测领域的一个里程碑式算法。它在2014年被提出，是后续Fast R-CNN和Faster R-CNN的基础。R-CNN的主要贡献在于将传统的图像识别技术与...
Pytorch-R-CNN.zip
最新发布
11-08
3. 模块化设计：PyTorch的nn.Module使得模型组件可以轻松组合和复用，R-CNN的各个模块如CNN特征提取器、RoIPooling层等都可以独立构建和优化。 四、PyTorch-R-CNN的应用与改进 随着深度学习的发展，R-CNN系列模型...
深度学习与CV教程(12) - 目标检测 (两阶段,R-CNN系列).doc
07-08
- **SPP-Net (Spatial Pyramid Pooling Network)**：为了解决R-CNN中每个候选区域都需要单独通过CNN前向传播的问题，SPP-Net引入了空间金字塔池化层，使得特征提取一步到位，提高了效率。 - **Fast R-CNN**：在R-...
fast-rcnn图像识别
08-02
Fast R-CNN的核心思想是将图像分类和定位任务统一到一个网络中进行，它采用了RoI（Region of Interest）池化层，该层可以对不同大小和形状的区域进行固定尺寸的特征提取，这使得网络可以直接在预训练的CNN（卷积神经...
keras-spp代码实现.rar
12-07
在实际应用中，SPP层常用于图像分类、目标检测等任务，特别是在R-CNN系列模型（如Fast R-CNN和Faster R-CNN）中，它有效地解决了RoI池化的问题，提高了网络的性能。使用Keras和TensorFlow这样的现代深度学习库，我们...
Fast R-CNN网络结构详解
Yikong的博客
04-03 3863
SPPNet 对R-CNN做出了改进，但是仍然存在网络之间不统一训练的问题。因此，Fast R-CNN就是解决这样的问题。 上两篇博文有详细解析R-CNN和SPPNet:R-CNN详解，SPPNet详解 Fast R-CNN改进之处 ●增加了一个RoI pooling，然后整合整个模型，把CNN、SPP变换层、分类器、bbox回归几个模块一起训练。具体过程图： ●步骤： 1、首先将整个图片输入到...
RoI Pooling 和SPP 区别
qq_45330708的博客
04-23 709
区别 两者起到的作用是相同的，把不同尺寸的特征输入转化为相同尺寸的特征输出。 SPP针对同一个输入使用了多个不同尺寸的池化操作，把不同尺度的结果拼接作为输出； 而ROI Pooling可看作单尺度的SPP，对于一个输入只进行一次池化操作。 详见此博客 spp 和RoI Pooling 差异 ...
探讨卷积的感受视野以及sPPnet中ROI映射到featuremap
CloudCver
05-07 868
最近在学习目标检测sPPnet时看到ROI映射到featuremap中的方法，文中对此叙述较少，所以就此问题差了一些资料，在知乎上发现一片理解较好的文章，于此做一总结。
ROI Pooling层解析
热门推荐
lanran2的博客
03-03 11万+
ROI Pooling的意义 ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定； 什么是ROI呢？ ROI是Region of Interest的简写，指的是在“特征图上的框”； 1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射
ROI Pooling层详解
AUTO1993的博客
11-12 7万+
ROI Pooling层详解 原文链接：https://blog.deepsense.ai/region-of-interest-pooling-explained/ 目标检测typical architecture 通常可以分为两个阶段： （1）region proposal：给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置
池化方法(2)：GAP，SPP，RoIPooling，RoIAlign
clover_my的博客
05-29 1981
池化方法(2)：GAP，SPP，RoIPooling，RoIAlign 1、全局平均池化(Global Average Pooling，GAP) CNN网络中一般在全连接后会有激活函数来做分类，假设这个激活函数是一个多分类softmax，那么全连接网络的作用就是将最后一层卷积得到的 feature map 展开成向量，对这个向量做乘法，最终降低其维度；然后输入到softmax层中得到...
深度学习（十九）基于空间金字塔池化的卷积神经网络物体检测
hjimce的专栏
12-05 3万+
空间金字塔池化，又称之为“SPP-Net”，记住这个名字，因为在以后的外文文献中，你会经常遇到，特别是物体检测方面的paper。这个就像什么：OverFeat、GoogleNet、R-CNN、AlexNet……为了方便，学完这篇paper之后，你就需要记住SPP-Net是什么东西了。空间金子塔以前在特征学习、特征表达的相关文献中，看到过几次这个算法。 既然之前的CNN要求输入固定大小的图片，那么我们首先需要知道为什么CNN需要输入固定大小的图片？CNN大体包含3部分，卷积、池化、全连接。
RCNN学习笔记(4)：fast rcnn
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-25 3万+
reference link: http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ http://blog.csdn.net/shenxiaolu1984/article/details/51036677 论文出处见：http://arxiv.org/abs/1504.08083 项目见：https://gith
为什么SPP-Net无法fine-tune卷积层
事了拂衣去，深藏功与名
03-15 4443
SPP-Net缺陷：和R-CNN一样，它的训练要经过多个阶段，特征也要存在磁盘中，另外，SPP中的微调只更新SPP层后面的全连接层，对很深的网络这样肯定是不行的。SPP-Net在fine-tuning阶段之所以无法使用反向传播微调SPP-Net前面的Covs层，是因为特征提取CNN的训练和SVMs分类器的训练在时间上是先后顺序，两者的训练方式独立，因此SVMs的训练Loss无法更新SPP-Layer
Fast R-CNN综述
05-04
Fast R-CNN是Ross Girshick在2015年提出的一种物体检测算法。相比于之前的R-CNN和SPP-Net算法，Fast R-CNN在检测效果和速度方面都有较大的提升。 Fast R-CNN的主要思路是将卷积层和全连接层合并为一个全卷积网络，使得特征提取和分类回归可以同时进行，从而提高计算速度。具体来说，Fast R-CNN包括以下几个步骤： 1. 在输入图像中提取候选区域。Fast R-CNN使用Selective Search算法来生成候选区域，并对每个候选区域进行裁剪和缩放，使其适应分类器的输入尺寸。 2. 将每个候选区域送入卷积层中提取特征。Fast R-CNN采用了VGGNet网络作为卷积层，可以提取出高质量的特征。 3. 对每个候选区域进行RoI Pooling操作，将其映射到固定大小的特征图上。RoI Pooling是一种特殊的池化操作，可以对不同尺寸的候选区域进行特征映射。 4. 将RoI Pooling得到的特征送入全连接层中进行分类和回归。Fast R-CNN使用Softmax分类器进行物体分类，并使用回归器进行物体位置的精细调整。 Fast R-CNN相比于之前的算法，具有以下几个优点： 1. 计算速度更快。Fast R-CNN将卷积层和全连接层合并为一个全卷积网络，可以减少计算时间。 2. 检测精度更高。Fast R-CNN采用了RoI Pooling操作，可以对不同尺寸的候选区域进行特征映射，从而提高检测精度。 3. 训练时效性更好。Fast R-CNN可以对整张图片进行端到端的训练，从而加快训练速度。 因此，Fast R-CNN成为了当前物体检测领域的主流算法之一。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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