Pyramid pooling module

最新推荐文章于 2024-05-08 23:41:38 发布
最新推荐文章于 2024-05-08 23:41:38 发布
阅读量1.2w 收藏 89
点赞数 19
分类专栏： 学习笔记 文章标签： Pyramid pooling
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/wd18508423052/article/details/93882113
版权

Pyramid pooling 方法出自 2017CVPR,原文地址https://arxiv.org/pdf/1612.01105.pdf

该文的一大贡献就是Pyramid pooling module(简称PPM)

1. PPM有什么用

       一般可以粗略地认为感受野就是使用上下文信息的大小。在很多网络中，我们都很重视全局信息的获取。在FCN中，就是没有充分的场景的上下文信息，导致在一些不同尺度的物体分割上处理不好。

 没有充分利用好场景的上下文信息就会有这些问题(分别如上图所示)：

（1）Mismatched Relationship

（2）Confusion Categories

（3）Inconspicuous Classes

总之，PPM就是一种相对较好的充分利用全局信息的方式。这种保留全局信息的思路其实与ASPP(Atrous Spatial Pyramid Pooling) 很相似。从直觉上来看，这种多尺度的pooling确实是可以在不同的尺度下来保留全局信息，比起普通的单一pooling更能保留全局上下文信息。

最低0.47元/天 解锁文章
ResNet改进(10)：添加 ASPP（Atrous Spatial Pyramid Pooling）
2401_82355416的博客
03-20 124
ASPP通过空洞卷积（Atrous Convolution）在单层特征图上实现多尺度特征提取，兼顾效率和性能。ASPP（Atrous Spatial Pyramid Pooling）是一种用于语义分割的模块，旨在通过多尺度特征提取提升模型性能。空洞卷积通过在卷积核中插入“空洞”来扩大感受野，无需增加参数量或分辨率。：使用不同空洞率（如1, 6, 12, 18）的卷积层，提取多尺度特征。：将多尺度特征和全局特征拼接或相加，融合后通过1x1卷积调整通道数。：通过不同空洞率捕捉多尺度信息。
金字塔池化模型PPM-Pyramid pooling module
qq_42178122的博客
10-29 3090
Pyramid pooling 方法出自 2017CVPR,原文地址https://arxiv.org/pdf/1612.01105.pdf 该文的一大贡献就是Pyramid pooling module(简称PPM) 1. PPM有什么用 一般可以粗略地认为感受野就是使用上下文信息的大小。在很多网络中，我们都很重视全局信息的获取。在FCN中，就是没有充分的场景的上下文信息，导致在一些不同尺度的物体分割上处理不好。 没有充分利用好场景的上下文信息就会有这些问题(分别如上图所示)： （1）Mismatche
Pyramid pooling module（PPM）
邹小驴
06-16 2358
参考代码：https://blog.csdn.net/wd18508423052/article/details/93882113 上采样问题可以参考：https://blog.csdn.net/zouxiaolv/article/details/106782442 自适应池化nn.AdaptiveAvgPool2d（size）问题：size是指定变成的尺度size*size，且不改变batchsize，channel， class PPM(nn.Module): def __init_..
每日Attention学习1——Parallel Aggregation Pyramid Pooling Module
最新发布
xiongxyowo的博客
05-08 534
为了更好地构建全局场景先验，PSPNet引入了金字塔池化模块（PPM），在卷积层之前串联多尺度池化映射，形成局部和全局上下文表示。文献[20]提出的深度聚合PPM（DAPPM）进一步提高了PPM的上下文嵌入能力，并显示出卓越的性能。然而，DAPPM的计算过程无法就其深度进行并行化，耗时较长，而且DAPPM每个尺度包含的通道过多，可能会超出轻量级模型的表示能力。因此，我们修改了DAPPM中的连接，使其可并行化，如图6所示，并将每个尺度的通道数从128个减少到96个。这种新的上下文采集模块被称为并行聚合PPM
PPM 金字塔池化模块 - PSPNet
晓野豬
01-18 1万+
  金字塔池化模块（Pyramid Pooling Module，PPM）在论文《Pyramid Scene Parsing Network》中被提出，用于聚合不同区域的上下文信息，提高网络获取全局信息的能力。在现有深度网络方法中，一个操作的感受野直接决定了这个操作可以获得多少上下文信息，所以提升感受野可以为网络引入更多的上下文信息。 PPM 模块将四种不同金字塔尺度的特征进行融合。上图红色高亮部分对整个特征图进行全局池化，往下则先切分特征图形成不同的子区域，然后在每个子区域内部进行池化。不同层次的金字塔
PPM-Pyramid pooling module
qq_52302919的博客
01-11 2266
原文中采用4种不同金字塔尺度，金字塔池化模块的层数和每层的size是可以修改的。论文中金字塔池化模块是4层，每层的size分别是1×1,2×2,3×3,6×6。 首先，对特征图分别池化到目标size，然后对池化后的结果进行1×1卷积将channel减少到原来的1/N,这里N就为4。
空间金字塔池化（Spatial Pyramid Pooling）
酒酿小圆子呀～
04-20 3562
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。
pyramid pooling module
06-06
金字塔池化模块（Pyramid Pooling Module）是一种用于计算机视觉领域中的图像分类、目标检测和语义分割任务的特征提取技术。它通过在不同尺度的特征图上进行池化操作，得到一组具有不同感受野的特征向量，然后将这些...
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 2806
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
混合池化模块--MPM(Mixed Pooling Module)
m0_56247038的博客
10-03 4176
输入一个特征图，C×H×W，经过水平和竖直条纹池化后变为H×1和1×W，使用求平均的方法，对池化核内的元素值求平均，并以该值作为池化输出值；随后经过卷积对两个输出feature map分别沿着左右和上下进行扩充，扩充后两个特征图尺寸相同，对扩充后的特征图对应相同位置进行逐像素求和得到H×W的特征图；因此，将strip pooling和pyramid pooling结合起来，构造mixed pooling module模块，兼顾长条形和非长条形物体的效果，同时捕获不同位置之间的短距离和长距离依赖关系。
SPP(Spatial Pyramid Pooling)详解
weixin_34242509的博客
05-23 1933
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，Spatial Pyramid Pooling)系列
m0_73832962的博客
12-05 3955
空间金字塔池化的作用是解决输入图片大小不一造成的缺陷，同时在目标识别中增加了精度。空间金字塔池化可以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，下面针对一些典型的空间金字塔进行盘点。
Spatial Pyramid Pooling
qq_45033722的博客
02-06 2912
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，
Spatial Pyramid Pooling（空间金字塔池化）-变尺度CNN训练
热门推荐
沈春旭的博客
09-08 2万+
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（...
Spatial Pyramid Pooling（SPP）原理简介
yanghao201607030101的博客
10-21 2319
b站这个Up主讲的挺好，就是莫名其妙搞个背景音乐怪怪的。。。视频讲解 Spatial Pyramid Pooling（SPP）中文叫空间金字塔池化 这个原理要解决的是传统CNN网络对输入图片尺寸要固定这个限制，比如AlexNet中的输入图片都有固定此村224×224，RCNN中为了讲Proposals 做CNN卷积提取特征也得先将不同大小的Proposal经过wrap缩放成同一大小。 那为什么CNN要求输入的图片尺寸固定呢？ 因为CNN中的最后的全连接层的输入尺寸是固定的（别问我全连接层为什么输入尺寸是固定
spatial pyramid pooling（空间金字塔池化理解）
jwspl的博客
05-26 1164
起源 何凯明2014年的paper：《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。paper主页 目的 缓解卷积或池化与全连接层的大小差异，因为卷积与池化无论大小都是一样做的，全连接却要求输入大小，因为有固定的权重矩阵。 原理 空间金字塔是很久以前的一种特征提取方法，跟Sift、Hog等特征息息相关。为了简单起见，我们假设一个很简单两层网络：
3分钟理解Spatial Pyramid Pooling层 (SPP层)
Hali_Botebie的博客
04-23 1112
不同size的图片(input image)经过’convolutional layers’后得到的feature map of conv5的size不同,ROI Pooling层的功能便是将不同size的feature map of conv5处理后得到相同长度的特征表示.(对应图中的大黑框部分)下面的方法是在不同尺寸的图片输入之后，经过conv layer层之后肯定尺寸也是不同的，再通过SPP层将它们固定到相同的尺寸，然后再进入接下来的步骤）2的小方块(对应图中绿色矩形),使用同样的方法得到4c个值。
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