Spatial Pyramid Pooling（空间金字塔池化）-变尺度CNN训练

最新推荐文章于 2024-08-22 11:56:04 发布
最新推荐文章于 2024-08-22 11:56:04 发布
阅读量2.6w 收藏 90
点赞数 12
分类专栏： 神经网络|深度学习|matlab 图像处理 | 目标跟踪 | OpenCV 计算机视觉的数学基础
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/shenziheng1/article/details/82504615
版权
SPPNet通过空间金字塔池化层解决深度学习中固定输入尺寸的问题，提升图像分类和目标检测精度。该方法允许任意尺寸的输入，通过多尺度池化产生固定长度的Descriptor，减少了形变误差。SPPNet在目标检测任务中尤为有效，减少了对region proposal重复提取特征的时间消耗。
摘要由CSDN通过智能技术生成

1. 需求创造好的产品，产品拓宽原始的需求

当前的深度神经网络一般都需要固定的输入图像尺寸（如224*224）. 这种需求很明显是人为的，潜在性的弊端会降低识别精度（为了使图像尺寸相同，一定会涉及到图像的比例/非比例放缩，这就引入了尺度误差和形变误差）。何凯明师兄的这项工作主要是讲多分辨率搜索的思想融入到了现有的深度网络中，从而实现了多尺度网络的训练以及识别，进而提升了图像分类和目标检测的精度（核心思想在于生成固定长度Descriptor）。SPP（Spatial Pyramid Pooling，空间金字塔池化）是一种非常有效的多分辨策略，对目标形变非常鲁邦。

2. 从目标检测RCNN入手

RCNN(Region proposal with Convoluton Neural Network，RCNN)进行目标检测的思路：CNN作为特征提取器，然后进行BoundingBox回归。但是RCNN对于每一个区域候选（Region Proposed）都需要首先将图片放缩（比例/非比例）到固定的尺寸（224*224），然后为每个区域候选提取CNN特征。整个过程是存在一些性能瓶颈：

    最低0.47元/天 解锁文章
    沈子恒
    关注
    专栏目录
    金字塔池化过程及其优势
    知其不可为而为之
    05-23 1万+
    金字塔池化过程及其优势  第一次完全自己动手写博文，起初有点不知所措，后来是有种深深的责任感，经过查阅了一些资料，才敢动笔，可能有些地方没有完全领悟到，期望各位同仁予以指正。   虽然在 池化总结（OverlappingPooling、 一般池化、Spatial Pyramid Pooling）一文中简单地介绍过金字塔池化（SPP），这次主要针对SPP实现原理和细节进行说明。本文主要基于Spati
    SPP(Spatial Pyramid Pooling)详解
    weixin_34242509的博客
    05-23 1772
    一直对Fast RCNN中ROI Pooling层不解，不同大小的窗口输入怎么样才能得到同样大小的窗口输出呢，今天看到一篇博文讲得挺好的，摘录一下，方便查找。 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...
    空间金字塔池化SPP、SPPF、ASPP、PPM、ASPP等汇总
    00000cj的博客
    04-22 2076
    最原版的SPP（Spatial Pyramid Pooling）是14年在何凯明大神的《》这篇文章中提出的，具体介绍见。它是为了解决网络最后的全连接层的输入需要固定的维度，而输入图片大小是变化的这一问题而提出的。这里多说两句，当时的做法是对输入进行crop或resize得到固定输入的大小，作者提出crop可能会导致输入没有完全包含目标对象，而resize会导致目标的几何失真。
    Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 论文阅读笔记
    最新发布
    qq_56206004的博客
    08-22 691
    作者使用使用ZF-5（单尺度训练）的SPP-Net模型从整个图像中提取特征图，在2000个候选区域中，使用4层空间金字塔（{1×1, 2×2, 3×3, 6×6}，共50个bins）进行特征池化，生成每个窗口的12,800维（256×50）表示，最后对每个类别，在提取的特征上训练线性分类器SVM。在R-CNN中，经过SS算法选出来的每一个候选区域都要经过一次CNN，由于后面全连接层的限制，所以候选区域在进入CNN之前，要将候选区域进行固定尺寸的缩放，如下图上方的框架，多层级池化对目标的形变具有鲁棒性。
    空间金字塔池化
    03-19
    Deeplab Semantic image segmentation with deep convolutional nets, atrous convolution 空间金字塔池化的文章
    深度学习笔记（一）空间金字塔池化阅读笔记Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
    热门推荐
    HAHA的专栏
    01-31 3万+
    空间金字塔池化      空间金字塔池化层简介：                   在对图片进行卷积操作的时候，卷积核的大小是不会发生变化的额，反向调节的权重仅仅是数值会发生变化。但是，但是，但是，输入的图片的大小你是否可以控制呢？哈哈，我们的输入图片大小是会发生变化的，这里图片大小的变化并不会在卷积操作和polling操作产生影响，但是会对全连接层的链接产生影响。这篇文章的核心就是解决如何
    Spatial pyramid pooling (SPP)-net （空间金字塔池化）笔记
    XZZPPP的博客
    05-11 1万+
    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     首先通过选择性搜索（selective search），对待检测的图片进行搜索出2000个
    空间金字塔池化（Spatial Pyramid Pooling）
    酒酿小圆子呀～
    04-20 2609
    上面这个图可以看出SPPnet和RCNN的区别，首先是输入不需要放缩到指定大小。其次是增加了一个空间金字塔池化层，还有最重要的一点是每幅图片只需要提取一次特征。SPPnet虽然解决了CNN输入任意大小图片的问题，但是还是需要重复为每个region proposal提取特征啊，能不能我们直接根据region proposal定位到他在卷积层特征的位置，然后直接对于这部分特征处理呢？答案是肯定的。
    spatial pyramid pooling（空间金字塔池化）
    weixin_41927751的博客
    09-15 202
    空间金字塔池化，何凯明的文章。用于解决一个很简单且现实的问题，因为R-CNN网络或者其他的网络，最终需要统一图片的尺寸以及大小，然后继续送入后续的网络中。一般来说，为了得到固定尺寸的图片，有两种做法：1) croping裁剪；2) warping变形。即对于多尺度问题，提前设定好的尺寸大小是不利的。
    空间金字塔池化 spatial pyramid pooling（spp）
    mn08290125的博客
    10-09 779
    空间金字塔池化（spatial pyramid pooling）是把经过CNN（提特征）之后形成的任意不同尺寸的feature map转变成相同大小的特征向量，然后送入全连接网络fc中 整体过程：Image -->cnn（进行提特征）–>spp -->fc ...
    Spatial Pyramid Pooling Net 介绍
    09-22
    本文档主要介绍了SPP-Net一文中的网络架构和主要思想。
    空间金字塔池化(Spatial Pyramid Pooling, SPP)原理及代码实现(Pytorch)
    Viraha_的博客
    03-20 2553
    空间金字塔池化(Spatial Pyramid Pooling, SPP)原理及代码实现(Pytorch) 卷积神经网络(CNN)由卷积层和全连接层组成，其中卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是第一个全连接层，因此基本上所有的CNN都要求输入数据固定大小，例如著名的VGG模型则要求输入数据大小是 (224*224) 。 固定输入数据大小有两个问题： 1.很多场景所得到数据并不是固定大小的，例如街景文字基本上其高宽比是不固定的。 2.可能你会说可以对图片进行切割，但是切割的话很可能
    多尺度输入—空间金字塔池化SPP（Spatial Pyramid Pooling）
    weixin_42579072的博客
    09-18 4469
    何凯明大神于2014年在《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，这篇paper主要的创新点在于提出了空间金字塔池化。 提出的原因： 在SPP提出之前，深度学习网络主要是以R-CNN为主，它有两大缺点： 1、通常需要输入固定大小的图片来进行训练和测试。 对于大小不一的图片，需要经过...
    空间金字塔池化SPP（Spatial Pyramid Pooling）
    g11d111的博客
    06-24 1万+
    前言 何凯明大神于2014年在《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，这篇paper主要的创新点在于提出了空间金字塔池化。这个方法对于目前很多任务非常实用，尤其是现在的神经网络算法叠加的情况下（即前一个神经网络输出的结果是下一个神经网络的输入），很多输出的图片尺寸或者说b...
    空间金字塔池化Spatial Pyramid Pooling
    null的专栏
    11-15 979
    针对不同大小的输入图像，在传统CNN网络中，需要首先将图像通过裁剪或者拉伸等变换转换到固定大小，通过分析，不同尺寸的输入主要是对全连接层有影响，SPP-Net中，在全连接层之前引入Spatial Pyramid Pooling Layer，可以将任意大小的输入转换成固定大小的输出。
    Spatial Pyramid Pooling
    qq_45033722的博客
    02-06 2730
    1. 摘要 现有的深度卷积神经网络(CNNs)需要一个固定大小的（例如，224×224）的输入图像。这个要求是“人工的”，可能会降低对任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了另一种池化策略，即“空间金字塔池化”，以消除上述需求。新的网络结构，称为SPP-net，可以生成一个固定长度的表示，而不管图像的大小/规模。金字塔池对对象变形也具有鲁棒性。有了这些优点，SPP-net一般应该改进所有基于cnn的图像分类方法。 2. 介绍 我们正在目睹我们的视觉社区的一个快速、革命性的变化，
    空间金字塔池化(Spatial Pyramid Pooling, SPP)
    qqliuzihan的博客
    07-26 2万+
    Introduction 主要参考这两篇博客: https://blog.csdn.net/yzf0011/article/details/75212513 https://blog.csdn.net/u011534057/article/details/512...
    深度学习-空间金字塔池化(Spatial Pyramid Pooling SPP)
    Tc、zyh的博客
    10-23 5911
    文章目录1、介绍2、SPP显著特点3、什么是金字塔池化层 参考：https://blog.csdn.net/qqliuzihan/article/details/81217766 1、介绍 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)
    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