为什么需要SPPnet

最新推荐文章于 2021-08-03 15:02:55 发布
最新推荐文章于 2021-08-03 15:02:55 发布
阅读量277 收藏 1
点赞数
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_40728302/article/details/105965383
版权

 

我们知道CNN网络需要输入图片的尺寸保存一致，因为卷积层可以处理任意大小的图像，但全连接层需要固定尺寸的输入。由于Selective Search生成了不同大小的Region Proposals，不同尺寸的图像不能使用同样的CNN网络，因此R-CNN无法共享网络。

于是就有了SPP net

使用Spatial Pyramid Pooling Layer将不同尺寸的feature map汇集成具有固定大小的序列，让尺寸大的输入保留更多的信息，让尺寸小的输入保留较少的信息。

这里的256-d指的是filter的个数

将不同大小的特征图拼接到一起，产生一个固定大小的序列，接着就可以进行全连接操作了。这样一来，不同大小的Region Proposals可以使用同意的CNN网络了，达到了网络共享的目的。

SPP本身是做什么的呢？就是将不同尺寸的输入resize成为相同尺寸的输出

使用SPPNet的好处是不会因crop或warp使物体对象变形，影响识别精确度：

打嗝_小王子
关注
SPPnet 详解
wait_ButterFly的博客
08-06 2107
RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。     前不久刚刚看完rcnn和fast rcnn，对目标检测的学习更进一步。sppNet简介： 作者： 何凯明    2016年加入成为FAIR（facebook 微软研究员），2011年获得博士学位，主要兴趣和研究在计算机视觉和深度学习。 获得cpvr和iccv多个奖项。   SP...
SPPNet论文详解
alibabazhouyu的博客
04-24 2万+
<Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition > Kaiming He         当前深度卷积神经网络（CNNs）都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度(因为要经过crop/warp)。本文给网...
keras-spp 升级至tensorflow-gpu-2.3版本
01-07
spp是个非常好用的扩展层，但在github上下载的源码不适用tensorflow-gpu-2.0以上版本，此版本在原版基础上进行了修改，并进行了适当优化，能够适应最新版本的tensorflow。
RCNN 系列之SPPNet详解
fangfang的专栏
01-09 4957
RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。这一系列是个递进关系，也是目标检测使用two-stage方法的一个发展过程。想要更好的理解Faster RCNN和R-FCN，只能把这算法都梳理清楚了，才能明白这个递进过程。 本篇讲解的是SPPNet。2015年发表在IEEE。 SPPNet为何出现？ 之前的网络，比如LeNet，A
SPP Net网络结构学习
程序员养成日记
11-29 1161
SPP：Spatial Pyramid Pooling（空间金字塔池化） 创新点 结合空间金字塔方法实现CNNs对尺度输入。（一般CNN后连接全连接层或分类器，它们都需要固定的输入尺寸，因此不得不对数据进行crop或warp，这些预处理都会造成数据的丢失或几何的失真。SPP Net的第一个贡献是将金字塔思想加入到CNN，实现了数据的多尺度输入。） 如下图所示，在卷积层和全连接层之间加入了SPP...
SPP-Net的浅解
y459541195的博客
09-14 903
SPP-Net 是针对R-CNN的缺点，做出了改进。想要了解RCNN可以转到上一篇文章RCNN浅解 SPP-Net是何开明大神于2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》 下面看看SPP-Net做了哪些改进的地方。 SPP-Net改进点： 只做一次...
对SPP-net的理解
gaoxueyi551的专栏
07-20 485
一、背景 SPP-net的提出，一方面是由于传统CNN需要一个固定尺寸的图片输入，如256*256；为此，往往需要对原始图片进行crop（裁剪）或distort（变形）操作，原始图片完整性和真实性受到影响，这势必会有损最终的识别准确率，为此提出了特征金字塔池化（Spatical Pyramid Pooling），该池化方法不依赖输入的尺寸，可以得到固定大小的输出，并作为后续全连接层的输入。Kaiming He等在论文中指出，需要固定尺寸输入的并不是卷积层，而是全连接层。 另一方面，由于...
sppnet目标检测
04-02
针对这一问题，He等人提出了一种名为"Spatial Pyramid Pooling"（SPP）的新方法，并将其整合进了一个新的网络结构——SPPNet。SPPNet能够克服传统CNN对于固定尺寸输入图像的依赖，从而在处理各种尺寸的图像时仍然...
为什么fast r-cnn比sppnet要快?
最新发布
12-21
总之，Fast R-CNN在特征提取的效率、计算量和信息利用等方面都优于SPPNet，这就是为什么Fast R-CNN比SPPNet要快的原因。当然，随着深度学习技术的不断发展和改进，可能会出现更加高效的目标检测模型，但目前而言，...
目标检测——SPPNet【含全网最全翻译】
热门推荐
PRIS-SCMonkey的博客
02-27 2万+
文章目录0. 摘要1. 简介2. 基于空间金字塔池化的深度网络2.1 卷积层和特征图2.2 空间金字塔池化层2.3 网络的训练2.3.1 单一尺寸训练2.3.2 多尺寸训练3. 用于图像分类的SPP-NET3.1 ImageNet 2012分类实验3.1.1 基准网络架构3.1.2 多层次池化提升准确度3.1.3 多尺寸训练提升准确度3.1.4 全图像表示提升准确度3.1.5 特征图上的多视图测试...
SPP-Net
cdknight_happy的专栏
02-25 1261
论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 1 摘要 现有的深度卷积神经网络（CNN）需要固定大小（例如，224×224）的输入图像。这种要求是“人为的”并且可能降低任意尺寸/比例的图像或子图像的识别精度。在本文中，我们为网络配备了更具原则性的池化策略，即“空间金字塔池化”，以消除...
sppnet
陈依依的博客
12-08 1180
R-CNN 作为CNN引入目标检测的开篇之作，后来又出现了sppnet ,fast R-CNN,faster R-CNN等一系列目标检测算法，本次主要学习的是sppnet 首先介绍一下R-CNN的流程： 每张图片通过selectivesearch选出大约2000张候选框，每个候选框单独输入CNN做卷积操作，在使用SVM分类，以及最后位置的精修。sppnet就提出能不能在整张图上提取候选框特征，这样在整幅图上只进行一次卷积。 spp-net在图像检测方面也表现优
【深度学习论文】SPP-Net
谢军的博客
05-03 989
SPP-NET
KERAS中文文档
u011252067的博客
08-30 1100
http://keras-cn.readthedocs.io/en/latest/
SPPNet算法详解
Tomxiaodai的博客
08-16 2340
1.RCNN的缺点  CNN要求输入图片尺寸具有统一的尺寸 不同尺度和长宽比的区域被变换到相同大小 裁剪会导致信息丢失或引入过多背景）,缩放会导致物体变形   2.SPPNet结构 应该是一目了然吧   3. 关于SPP的理解 由于论文中用的基础网络ZF-5中含有全连接层，这就要求全连接层输入的尺寸必须一致，如RCNN中将每个区域框送入CNN网络前，需要调整为22...
【目标检测算法】SPP-Net学习笔记
littlemichelle
07-20 1215
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。 ...
【目标检测算法系列】二、SPP-Net算法
u010057965的专栏
07-29 995
上次我们介绍了R-CNN算法【目标检测算法系列】一、R-CNN算法 这次介绍下SPP-Net算法 SPP-Net算法是在R-CNN的基础上做了相关改进 我们知道，R-CNN算法有几个缺点： 1.由于CNN网络对输入图像尺寸的固定，所以对于每张图片生成的2000个候选区域，需要进行缩放、扭曲等操作来resize到CNN网络所要求的输入尺寸（224*224），这样就会导致一些特征的丢失，改变...
目标检测：SPPNet
あずにゃん梓喵的博客
08-03 546
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 5.3 SPPNet 学习目标 目标 知道SPPNet与RCNN的对比特点 掌握空间金字塔池化(spatial pyramid pooling)的原理和作用 掌握SPPNet的训练过程以及测试结果对比 知道SPPNet优缺点总结 ...
憨批的语义分割重制版1——Keras 搭建自己的PSPnet语义分割平台
Bubbliiiing的学习小课堂
08-26 1万+
憨批的语义分割8——Keras 搭建自己的PSPNet语义分割平台学习前言什么是PSPNet模型PSPNet实现思路一、预测部分1、主干网络介绍2、加强特征提取结构3、利用特征获得预测结果训练部分训练的是什么1、训练文件详解2、LOSS函数的组成训练代码1、文件存放方式2、训练文件3、预测文件训练结果模型的改进1、实现代码2、实现结果 学习前言 由于之前写的语义分割BLOG存在一些小问题，做的不够优美，效果也不是很好，甚至不是很接地气，于是乎我想重置一下。 什么是PSPNet模型 PSPNet模型最主要的
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