(SPP-Net)CNN处理图片时resize图片尺寸的问题小结

最新推荐文章于 2022-06-02 19:39:53 发布
最新推荐文章于 2022-06-02 19:39:53 发布
阅读量2k 收藏 1
点赞数
分类专栏： Deep Learning
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/ljmiiianng/article/details/101075116
版权

目前已知SPP和RoI pooling
CNN中卷积层Conv_Layer对图片size并没有限制, 而全连接层FC_Layer则相反.

SPP-Net(空间金字塔池化网络)

背景

SPP-Net是出自2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》.
在SPP诞生之前，所有的神经网络都是需要输入固定尺寸的图片，比如224224（ImageNet）、3232(LenNet)、96*96等。

意义

总结而言，当网络输入的是一张任意大小的图片，这个时候我们可以一直进行卷积、池化，直到网络的倒数几层的时候，也就是我们即将与全连接层连接的时候，就要使用金字塔池化，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）。

CSDN博客-SPP-Net论文详解

kgbkqLjm
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
CNN（卷积网络）如何处理Size(Shape)大小可变的输入图像数据
Major_S的博客
10-10 3277
CNN
Faster R-CNN的resize处理
zyxxlyj的博客
06-26 4774
array, scale = resize(im, SHORT_SIDE, LONG_SIDE)      Faster-RCNN对读取的图像进行了scale处理。      im为原始图像，在缩放的过程中，首先，定义scale大小为SHORT_SIDE / im_size_short，如果这个scale的时候，长边的长度超过LONG_SIDE，就将scale定义为LONG_SIDE / im_s...
CNN输入不同尺寸图片的处理
weixin_41464663的博客
06-28 7033
由于CCN中全连接层对于输入的图片的尺寸有限制，因此对于不同尺寸的图片要做相关处理。 常见的操作有resize or crop or padding 虽然简单粗暴，但是有效。但是这个也要因任务而异，比如普通的图像分类问题，resize一下可能无碍，然而物体检测时物体发生了形变，可能就会很影响效果，这时候需要使用更加精细的resize手段。或者你可以crop特定位置的图像区域，这样需要一定的额外算法或者人工的辅助，操作起来不如resize。 SPP(Spatial Pyramid Pooling 空间
SPP-Net演示文档
12-18
目标检测算法SPP-Net的PPT演示文档，中文，制作精良，条理清晰，适合学习和教学
蓝牙SPP-CA_SPP-CA_蓝牙模块驱动_
10-01
蓝牙SPP-CA是串行端口协议（Serial Port Profile）的一个特定版本，常用于STM32F103微控制器上实现与蓝牙模块的通信。SPP是蓝牙技术联盟定义的一种经典蓝牙服务，它允许两个设备通过蓝牙建立类似于串行端口的数据...
SPP-NET翻译1
08-03
【SPP-NET翻译1】主要探讨的是深度卷积神经网络（CNNs）在处理不同尺寸和比例图像时存在的问题，以及如何通过引入空间金字塔池化（Spatial Pyramid Pooling, SPP）层来解决这个问题。在传统的CNN架构中，输入图像...
yolov3-spp-ultralytics-512.rar
04-14
这个预训练模型是在512x512的图像分辨率上进行训练的，优化了YOLOv3的性能，特别是在处理具有复杂背景和小目标的情况下。在目标检测领域，预训练模型通常用于快速初始化新的任务，减少训练时间和计算资源的消耗。 ...
SPP-Net论文详解1
最新发布
08-03
SPP-Net 的出现解决了传统神经网络中的限制，提高了网络的泛化能力和识别精度，使得网络可以处理任意大小的图片。 知识点： 1. 传统神经网络中输入固定尺寸图片的限制 2. SPP-Net 的提出和解决方案 3. 空间金字塔...
用progressive resizing提升CNN图像分类器性能
04-05
用progressive resizing提升CNN图像分类器性能，Boost your CNN image classifier performance with progressive resizing in Keras，by Aleksey Bilogur。
深度学习voc数据集图片resize
weixin_30415113的博客
01-13 907
本人新写的3个pyhton脚本。 （1）单张图片的resize: 1 # coding = utf-8 2 import Image 3 4 def convert(width,height): 5 im = Image.open("C:\\workspace\\PythonLearn1\\test.jpg") 6 out = im.resize((w...
深度学习（5）数据处理-resize
weixin_42535423的博客
12-26 2万+
深度学习（5）数据预处理-resizeresize由来与发展resize的方式不同插值算法对训练结果的影响caffe数据转换成lmdb中的resize不同resize的影响（总） resize由来与发展 对输入图像进行大小调整，为什么要这样做呢？ 因为图像输入，是转为向量（矩阵）输入的，向量的纬度一般是固定的，所以要进行大小调整 输入向量维数 = 输入层节点数 举例，假如训练输入的是一张张图片，每...
CNN的输入图像尺寸问题
GL3_24的博客
06-04 1万+
输入图片的大小需要固定 我们知道CNN输入图片的大小需要固定，但是这是为什么呢？ 其实在网络结构中卷积层是不需要固定图像的大小（它的输出大小是跟输入图像的大小相关的），一般情况下输入尺寸都会大于常用的卷积核大小。有固定输入图像大小需求的是全连接部分，全连接部分的参数的个数是需要固定的。 解决方案 当然可能我们的数据集的大小并不统一，这时候就需要进行处理了 1.可以在输入网络之前进行resize，将...
机器学习算法之——卷积神经网络(CNN)原理讲解
热门推荐
Rick_rui的博客
06-02 2万+
我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家Yann LeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人
对于torch.nn.AdaptiveAvgPool2d()自适应平均池化函数的一些理解
weixin_45928096的博客
01-15 1万+
对于torch.nn.AdaptiveAvgPool2d()自适应平均池化函数的一些理解 torch.nn.AdaptiveAvgPool2d()接受两个参数，分别为输出特征图的长和宽，其通道数前后不发生变化。 我认为在我们构造模型的时候，AdaptiveAvgPool2d()的位置一般在卷积层和全连接层的交汇处，以便确定输出到Linear层的大小。 AdaptiveAvgPool2d()中H、W的选取与我们的图的初始大小（长宽）和池化层的数量有关系，也就是与经过多个卷积池化操作后的图像长宽有关。
CNN中调整特征图大小的操作总结
qq_43258953的博客
10-22 5978
在深度学习中，CNN经常要调整特征图的大小，本文对一些常用的方法。 一，利用卷积核的步进（stride）调整大小 下采样：在padding='same’时，卷积后的特征图大小变为原图/strides，特征图变小，称之为下采样。 Conv2D(filters, kernel_size, strides=strides, padd...
深度学习论文笔记：OverFeat
Striker_V的专栏
03-15 1190
[转载]深度学习论文笔记：OverFeat 原文转自：http://blog.csdn.net/chenli2010/article/details/25204241  今天我们要谈论的文章为： OverFeat: Integrated Recognition, Localization and Detection using Convolutional Ne

“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