SPP-net详解(金字塔池化）（附代码实现）

最新推荐文章于 2024-08-20 09:50:36 发布

路上的病人

最新推荐文章于 2024-08-20 09:50:36 发布

阅读量1.3w

点赞数 5

分类专栏：目标检测文章标签： sppnet

本文链接：https://blog.csdn.net/qq_40994943/article/details/86479360

版权

SPP-Net（Spatial Pyramid Pooling Network）通过金字塔池化层解决了传统方法中图像大小不一导致的特征图尺寸不固定问题。本文详细介绍了SPP-Net的工作原理，包括其在卷积神经网络与全连接层之间的位置，以及如何通过不同步长的池化操作实现固定维度的特征表示。此外，还提供了代码实现的简要说明，帮助理解SPP-Net的实际应用。

摘要由CSDN通过智能技术生成

最近想弄透faster rcnn，觉得spp应该是非常重要的，先详细总结下：

为什么会有spp
先看下和传统分类的对比图
在这里插入图片描述
解释：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。那么问题就来了，随便一张图目标物体位置和大小不一样，crop肯定会影响特征的准确性啊，但是不crop成统一大小，提取的特征图大小就不一样，没法送进全连接层，那有没有可能不crop直接得到固定维度的特征图呢？ok，这就是spp作用，加入spp之后就不需要提前crop，直接任意图片送进来，把spp核心放在卷积层和全连接层之间就搞定了！

spp具体结构是咋样的？
在这里插入图片描述
解释：
上图就是spp结构，从下往上看，第一步卷积提取特征图，第二步金字塔池化，第三步将池化结果送入全连接层。第二步具体啥样子，就是把原来的特征图分别分成44=16块，22=4块，11=1块(不变），总共21块，取每块的最大值作为代表，即每张特征图就有21维的参数&#