spp 论文笔记

最新推荐文章于 2024-04-13 23:51:39 发布
最新推荐文章于 2024-04-13 23:51:39 发布
阅读量284 收藏
点赞数
分类专栏： 深度学习
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/zhoujunr1/article/details/80058167
版权
本文介绍了在深度卷积网络中引入的空间金字塔池化层，用于去除网络对固定尺寸的约束。SPP层通过池化特征产生固定长度的输出，从而避免了图像裁剪和扭曲。在训练中，结合选择性搜索产生候选框，使用SPP-net进行特征池化，输入全连接层，并利用SVM分类器进行训练。
摘要由CSDN通过智能技术生成

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

crop & warp

这里写图片描述

Spatial pyramid pooling

In this paper, we introduce a spatial pyramid pooling layer to remove the fixed-size constraint of the network.

Add a SPP layer on top of the last convolutional layer.

The SPP layer pools the features and generates fixed-length outputs, which are then fed into the fully-connected layers.

也就是，这是一种 信息聚集 的方法，避免来cropping 和 warping

  1. SPP 能够产生固定长度的输出
  2. SPP使用了多层次的特征
  3. SPP可以提取不同层次的特征

Deep Networks with Spatial Pyramid pooling

最低0.47元/天 解锁文章
zhoujunr1
关注
专栏目录
【YOLOv8改进-论文笔记】SCConv ：即插即用的空间和通道重建卷积
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-22 8789
为SCConv（空间和通道重构卷积），以减少冗余计算并促进代表性特征学习。所提出的SCConv由两个单元组成：空间重构单元（SRU）和通道重构单元（CRU）。SRU使用分离-重构方法来抑制空间冗余，而CRU使用分割-变换-融合策略来减少通道冗余。此外，SCConv是一个即插即用的架构单元，可以直接用于替换各种卷积神经网络中的标准卷积。实验结果表明，嵌入SCConv的模型能够通过减少冗余特征，在显著降低复杂性和计算成本的同时，达到更好的性能。
【论文笔记】SPPnet
theoreoeater的博客
05-31 436
论文链接               CNN模型在识别图片前需要将图片预处理（如裁剪，扭曲）成同样大小尺寸，流程如下图所示。这一步骤不仅繁琐而且由于尺寸变化可能会影响识别精度。        事实上卷积层、池化层、激活层可以适应任意尺寸图片，但用于分类的全连接层需要固定尺寸的输入。为了解决这一问题，SPPnet在特征提取层和全连接层中间添加了金字塔池化层 （SPP layer），使得任意尺寸的图片...
SPPNet论文笔记
XL的博客
09-12 191
这篇文章讲的特别好
【论文】SPP(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
FSALICEALEX的博客
03-29 683
本来是打算总结R-FCN的，但是我发现SPP和Over-Feat在很多地方都有提到，所以先对这两个东西进行一个总结。SPP网络的思想很简单，但是这篇论文却写出了很多东西，这一点很值得学习。 一、简介 SPP的提出是为了解决CNN固定输入的问题，这导致了在面对不同大小图片的时候，它只能使用裁剪或者缩放的方法获得与CNN输入大小一致的图片，但是这些方法会对物体产生形变，会丢失信息。SPP有几个很...
SPP-net论文学习
calvinpaean的博客
11-01 408
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual RecognitionAbstract1. Introduction2. Deep networks with spatial pyramid pooling2.1 Convolution layers and feature maps2.2 The spatial ...
SPP-net论文笔记《Spatial Pyramid Pooling in Deep Convolutional Network for Visual Recognition》
邬小阳
03-12 4881
1. Introduction         在之前物体检测的文章，比如R-CNN中，他们都要求输入固定大小的图片，这些图片或者经过裁切（Crop）或者经过变形缩放（Warp），都在一定程度上导致图片信息的丢失和变形，限制了识别精确度。两种方式如下所示。         crop：不能包含完整的区域                warp：几何失真         事实上，在网络实
spp-net论文阅读笔记
最新发布
08-18
spp-net论文阅读笔记
SPP-Net 论文笔记
小菜鸟的AI之路
03-19 752
简介 SPP-net是何凯明团队在rbg大神提出R-CNN之后提出的比较有创新性的网络，其主要贡献在于： 1.打破了CNN网络需要输入固定大小的图像的限制，利用Spatial Pyramid Pooling方法，不需要像以前一样需要对图像进行裁剪等操作，而是直接将entire image输入。 2.利用SPP-Net进行图像分类以及目标检测，虽然对于精度并没有特别明显的提升，但是在objec...
SPP Net 笔记
weixin_42102248的博客
10-24 226
前言 1.本文重点是SPP（Spatial Pyramid Pooling）以及特征图和原图的映射关系，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述 2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考） 论文链接 代码链接 创新点 1.改进R-CNN中的cnn前...
SPP论文总结
m0_57131092的博客
01-29 3055
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 原文链接 [1406.4729] Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition (arxiv.org) Abstract 现存的CNN需要固定的输入，这个需求需要人为调整来满足，并且在输入端图像是任意尺寸时会降低识别的准确率。 SPP特
SPP论文笔记
985小菜鸡
04-13 887
这篇论文讨论了在深度卷积网络中引入空间金字塔池化（SPP）层的方法，以解决传统深度卷积网络需要固定图像尺寸的限制。以下是论文各部分的总结：论文指出现有的深度卷积神经网络（CNN）需要固定大小的输入图像，这一需求限制了图像的比例和尺度，可能会影响识别的准确性。为了解决这个问题，作者提出了一种新的网络结构——SPP-net，该网络通过空间金字塔池化层来生成固定长度的输出，使得网络可以处理任意尺寸的图像。这一部分详细介绍了空间金字塔池化（SPP）层的概念和实现。SPP层位于最后一个卷积层之后，通过不同级别的池化区
SPP网络论文通读
qq_43163694的博客
01-30 276
SPP可以无限制输入大小。
SPP论文小结
San_Junipero的博客
07-07 1423
名词 问题 为什么需要设计多种的滤波器，全联接的不行么 CNN是怎么减少参数的 为什么全连接层要求固定大小的输入 CNN最成功的应用是在CV，那为什么NLP和Speech的很多问题也可以用CNN解出来？AlphaGo里也用了CNN。这几个不相关的问题的相似性在哪里？CNN通过什么手段抓住了这个共性？ 在训练师多尺度和在测试时多尺度有什么提升和进步 full-view image repres...
SPP论文原理理解
qq_35608277的博客
05-04 1223
改进 在检测上，改进R-CNN：用金字塔池化代替wrap，只对图像进行一次卷积，大大缩短rcnn卷积耗时。 原理 使用spatial pyramid layer在特征图上提取特征，可以将任意大小的图像池化生成固定长度的图像表示，以适应FC layer。（任意尺寸输入，固定大小输出） 输入：宽高为w,hconv5的特征图 输出：维度K*M（适应FC的尺寸，根据需要自由设定） ...
SPP:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(阅读)
深藏功与名
10-07 2792
SPP-Net已经是很早之前读过的，没有记录，现在整理检测系列的这几篇，这里简单在过一遍。 论文中最重要的部分是SPM，SPM的详细阅读见博客。 先看一下整体sppnet_poster
SPPNet论文总结
等自己
12-10 1309
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition一、 概要 1、 背景：深度网络（CNNs）与大数据引起计算机视觉领域的快速变革，大幅提升了图像分类与目标识别等的水平。 2、 问题：CNN要求输入图片尺寸固定，对尺寸不统一的输入图片需做剪裁或变形，导致内容损失或失真，且不适用于目标尺
目标检测论文精读（３）－ SPP
zhli99的博客
04-17 781
SPP阅读重点IntroductionThe stepsThe architectureSingle-size trainingMulti-size trainingBaseline network architecturesInnovationResultDetection results on Pascal VOC 2007Detection results on Pascal VOC 200...
【目标检测】对SPPNet论文的一些理解
qq_36302589的博客
12-09 229
SPPNet不得不说，对后续的Fast-RCNN，Faster-RCNN都起到了举足轻重的作用。SPPNet主要解决的是固定输入层尺寸的这个限制，也从各个方面说明了不限制输入尺寸带来的好处。文章在一开始的时候就说明了目前深度网络存在的弊端：如果固定网络输入size的话，要么选择crop策略，要么选择warp策略。crop策略就是从一个大图中裁剪出固定尺寸的大小来，这样做有可能crop出object...
SPP-Net深度学习目标检测技术解析
"SPP-Net演示文档，是一个关于目标检测算法SPP-Net的中文PPT，适合学习和教学，内容精良，条理清晰。" SPP-Net（Spatial Pyramid Pooling Network）是由Kaiming He、Xiangyu Zhang、Shaoqing Ren和Jian Sun等人提出...
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