目标检测,图像分类中的spp layer

SPP层(空间金字塔池化)旨在解决传统CNN中全连接层对输入图像大小的固定要求。通过在卷积层输出的feature map上应用不同大小的滑动窗口池化,SPP将不同尺寸的图像转换为固定长度的输出,用于后续的全连接层。SPP在目标检测和图像分类任务中表现出提高算法鲁棒性和精度的效果,尤其是在FCN出现之前被广泛应用。
摘要由CSDN通过智能技术生成

目标检测,图像分类中的spp layer

常规CNN中的问题
  1. 卷积层虽然不要求网络输入图像的大小固定,但是后面的全连接层要求输入图像的大小size是固定的(因为全连接层的输入特征数是固定,网络搭建时的weight权重参数),所以当尺寸大小不同的图像输入到网络中,得到的feature map大小是不同的(根据卷积图像输入输出计算可知)。

  2. 对一个固定的CNN网络,最后的全连接层的输入时一个固定的值,为了解决这种对输入图像大小的限制,引入spp网络算法,将image——>crop/warp——>conv layers——>fc layers——output的过程换为

    ​ image——>conv layers——>spp layers——>fc layers——>output的处理过程。

spp(金字塔池化)的原理
  1. spp的做法是使用多个不同大小的sliding window pooling对卷积输出的feature map进行池化,然后将这多个结果进行concat合并得到固定长度的输出。

  2. 网上找个图片,可以看出SPP层就是在前一卷积层得到的feature maps上进行了3个池化操作(实际情况根据自己设定的池化个数,控制全连接层的输入)。最右边的就是原图像,中间的是把图像分成大小是4的特征图,最右边的就是把图像分成大小是16的特征图。这样每一个feature map就会变成固定的21(16+4+1)个feature maps。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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