SPP笔记

最新推荐文章于 2024-07-24 14:22:46 发布
最新推荐文章于 2024-07-24 14:22:46 发布
阅读量1.1k 收藏 2
点赞数 2
分类专栏： python 深度学习 论文笔记
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/qq_34703466/article/details/80969765
版权
SPP层解决了RCNN中输入图像大小固定的限制，通过空间金字塔池化实现任意大小输入到固定大小输出，提高了特征提取的速度和精度。SPP在全连接层前插入，采用多级池化窗口，训练时通过多次迭代处理不同尺寸输入，以适应GPU的训练需求。SPP-Net使用EdgeBoxes获取区域，与RCNN相比计算效率显著提升。
摘要由CSDN通过智能技术生成

SPP全称为Spatial Pyramid Pooling，即空间金字塔池化，听名字就知道是对RCNN的一种变形，目的是为了解决RCNN输入图像的大小固定（224*224）的问题，因为真实照片中的物体的大小并不都一样，对图像就行wrap或者切割，不可避免会造成图像的失真，从而增大运算结果的误差。

SPP与RCNN最大的不同就是SPP使用了一个全连接层，而不进行微调，并且计算region propsal时使用了多个region，从而只计算一次，避免了RCNN中的重复计算。

1、结构比较：

  RCNN


 SPP


2、RCNN固定输入的原因：

 理论上说conv layers（卷积层）可以接受任意大小的输入，RCNN固定输入的限制来源于fc layers（全连接层）

最低0.47元/天 解锁文章
LeavyRock
关注
专栏目录
一文搞懂SPP（Spatial pyramid pooling）
NanHNU的博客
12-22 7455
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：   2、具体算法的大体流程  输入图像，进行多尺度提取特征，融合特征，传入全连接层 3、关键步骤解释
【目标检测算法】SPP-Net学习笔记
littlemichelle
07-20 1205
在现有的CNN中，对于结构已经确定的网络，需要输入一张固定大小的图片，比如224*224，32*32,96*96等。这样对于我们希望检测各种大小的图片的时候，需要经过裁剪，或者缩放等一系列操作，这样往往会降低识别检测的精度，于是paper提出了“空间金字塔池化”方法，这个算法的牛逼之处，在于使得我们构建的网络，可以输入任意大小的图片，不需要经过裁剪缩放等操作，只要你喜欢，任意大小的图片都可以。 ...
蓝牙bt SPP精讲之SPP连接
Justar的博客
07-24 326
②SDP发起连接服务，展开后如下，上一章已介绍过，其中需要注意的是Servel Channel为1。后续建立的RFCOMM会在该channel上进行通讯。③发起RFCOMM连接，配置相关参数，以及交换双方此时状态。可以看到的是Channel为1。①L2CAP发起SDP连接，并且配置对应的signaling channel。可以看到data中即为我们发送的数据。
SPP
jindaxiaoooo的博客
08-18 788
SPP(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition) https://blog.csdn.net/yzf0011/article/details/75212513 https://blog.csdn.net/qq_35451572/article/details/80273222 https://blog.csdn.net/bryant_meng/article/details/78615353
SPP(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
热门推荐
yzf0011的专栏
07-16 2万+
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。然而通常的手法就是裁剪(crop)和拉伸(warp)。 这样做总是不好的：图像的纵横比(ratio aspect) 和 输入图像的尺寸是被改变的。这样就会扭曲原始的图
spp-net论文阅读笔记
最新发布
08-18
spp-net论文阅读笔记
SPP Net 笔记
weixin_42102248的博客
10-24 226
前言 1.本文重点是SPP（Spatial Pyramid Pooling）以及特征图和原图的映射关系，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述 2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考） 论文链接 代码链接 创新点 1.改进R-CNN中的cnn前...
spp 论文笔记
zhoujunr1的博客
04-23 284
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition crop & warp Spatial pyramid pooling In this paper, we introduce a spatial pyramid pooling layer to remove the f...
CSR867x学习笔记：SPP Server and Client
wzz4420381的博客
03-13 3648
为了让CSR867x的开发更容易，现与思度科技联合推出CSR867x学习板【淘宝链接：思度科技CSR开发板】。 技术交流QQ群号：743434463 开发板会员QQ群号：725398389（凭订单号入群，赠PPT、项目源码、视频教程） ——————————正文分割线———————————– 1. 引言 两个通过SPP协议连接的蓝牙设备之间的数据通信如串口通信一般简单方便，遗憾的是ADK中并没有给出...
SPPNet学习笔记
KeEN_Xwh的博客
10-04 211
本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。上一期的最后讲到了R-CNN的训练时间长的缺点，这一期先介绍一下改进的SPPNet. 论文相关信息 论文全名为《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》(论文链接），于2015年发表在IEEE上，作者相关信息如下： 论文所使用数据集为 ImageNet
SPP的作用
python_plus的博客
05-18 705
一个CNN可看作由卷积、池化、全连接层组成，由于全连接层的权重矩阵是一个固定值，因此输入全连接层的特征图的维度也必须固定。SPP的思想就是利用多个不同尺度的池化层进行特征的提取，融合成一个21维的向量输入至全连接层。解决了上述问题，使得神经网络的训练过程由图1变为图2，即输入图像的尺寸可以不一样，不再受到限制。解决了训练CNN需要输入图像尺寸一致的问题。
SPP（Spatial Pyramid Pooling）
fangweijiex的博客
06-13 1383
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）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讲解
左手coding，右手cooking
06-07 7912
文章目录yoloV3和yoloV3-spp网络结构对比如何理解yoloV3中的SPP模块？ yoloV3和yoloV3-spp网络结构对比 YOLOv3网络结构图： YOLOv3-spp网络结构图： SPP模块结构如下图： 从上述两幅网络图中我们可以看出，在相对于普通版本的YOLOV3，SPP版本在第5，6层卷积之间增加了一个SPP模块，这个模块主要是由不同的池化操作组成，具体的实现在yoloV3-SPP的cfg文件中： ### SPP ### [maxpool] stride=1 size=5..
【目标检测】SPP 空间金字塔池化层
qq_36926037的博客
04-04 3982
1.为什么需要SSP层 （1）不使用SSP后果 在RCNN中，一张图片应用选择性搜索算法（之前博文介绍过）产生约2000个候选区域，这2000个候选区域可能都有着不同的尺寸、长宽比。 RCNN网络中需要为每个候选区域用CNN网络提取特征，候选区域经过卷积层操作后需要送入到全连接层，但是全连接层需要设定固定的神经单元个数（例通常是4096）即来自最后一层卷积层的特征图尺寸一致。 因为候选区域的大小各...
SPP3407DS23RGB-VB MOSFET：技术规格与应用解析
"SPP3407DS23RGB-VB MOSFET是一款P沟道的功率MOSFET，适用于移动计算领域的负载开关、笔记本适配器开关和DC/DC转换器。它采用TrenchFET技术，具有低电阻和良好的热特性。" SPP3407DS23RGB-VB MOSFET是一款高性能的P...
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