SPPnet 详解

最新推荐文章于 2024-09-17 17:18:24 发布
最新推荐文章于 2024-09-17 17:18:24 发布
阅读量2.1k 收藏 13
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习-计算机视觉 文章标签： sppNet 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/wait_ButterFly/article/details/81461988
SPPNet由何凯明提出，通过空间金字塔池化层解决全连接层对固定大小输入的需求。SPPNet在训练时采用single-size和Multi-size策略，加速收敛。它先进行一次性特征提取，然后对候选区域进行SPP处理，显著提高目标检测的速度。相比RCNN，SPPNet减少了大量重复计算，降低了训练时间。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。

 

  前不久刚刚看完rcnn和fast rcnn，对目标检测的学习更进一步。sppNet简介：

作者： 何凯明

   2016年加入成为FAIR（facebook 微软研究员），2011年获得博士学位，主要兴趣和研究在计算机视觉和深度学习。

获得cpvr和iccv多个奖项。

 

SPPNet为何出现？

之前的网络，比如LeNet，AlexNet，ZF，VGG等，它们的输入都是固定大小的，为什么要固定大小呐？原因就在最后连接的全连接层上。全连接层的输入一定是固定大小的。这一点很容易理解，因为全连接层网络就是传统的神经网络，传统的神经网络的输入层必定是固定大小的。而卷积神经网络的conv层的输入并不需要固定大小，

那么conv层不用固定大小，FC层的输入又要固定大小，那么在这两者之间加上一层SPP即可解决这个问题了。

spp的实现

黑色图片代表卷

最低0.47元/天 解锁文章

200万优质内容无限畅学
目标检测算法SPP-Net详解
春有百花秋有月，夏有凉风冬有雪！
05-22 3203
这一期的文章离不开上一期的R-CNN，因为SPP-Net是基于R-CNN进化而来的，建议先看上期R-CNN,上期链接如下：目标检测的里程碑R-CNN通俗详解 SPP-Net全称Spat...
空间金字塔池化网络SPPNet详解
zuo668的专栏
02-14 2193
参考：https://cloud.tencent.com/developer/article/1441559 前言 SPP-Net是出自2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》，这篇论文解决之前深度神经网络的一个大难题，即输入数据的维度一定要固定。...
SPPNet详解（白话讲解——附图文）
weixin_45074568的博客
04-13 1万+
SPPNet是何凯明大神提出的，为了解决R-CNN中速度慢问题。 在神经网络中输入图片的尺寸必须是固定的，这是因为在设计的时候FC层中神经元的个数都是固定的，导致输入图片尺寸必须是固定的。 CNN是可以适应不同尺寸的输入图片，说明在CNN后面加入某种机制就可以让FC层也适应不同尺寸的输入图片，某种机制就是何凯明大神提出的空间金字塔池化（SPP）。 在最后的卷积层和全连接层之间加入SPP层。具体做法是，在conv层得到的特征图是256层，每层都做一次spatial pyramid pooling。先把每个特
【目标检测】SPPnet论文详解
weixin_40500230的博客
06-20 831
原文：https://www.jianshu.com/p/90f9d41c6436 SPPnet是目标检测领域不可忽略的一篇论文，中国人何恺明大神的作品，阅读起来感觉亲（简）切（单）多了。在我看来，SPPnet主要有两处亮点：1.它解决了深度卷积神经网络（CNNs）的输入必须要求固定图像尺寸（例如224*224）的限制。2.在目标检测领域它提高了提取特征的效率，速度相比R-CNN提升24-1...
目标检测（3）-SPPNet
爱吃鱼的猫
03-17 860
原文地址：https://zhuanlan.zhihu.com/p/27485018Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition文章地址：https://arxiv.org/pdf/1406.4729.pdfhttps://摘要沿着上一篇RCNN的思路，我们继续探索目标检测的痛点，其中RC...
论文阅读 || 目标检测系列 —— SPPNet详解
magic_ll的博客
06-14 4057
1 SPPNet网络介绍 1.1 SPPNet网络处理流程 1. 候选框提取：使用算法selective search获取输入图片的候选框，提取约2000个候选区域 2. CNN+SPP+FC（与RCNN不同之处）： 把整张图片输入到CNN中，一次性提取特征得到feature maps 并且在feature map中找到各个候选框的映射区域 对候选区域对应的feature map...
SPPNet论文详解
热门推荐
alibabazhouyu的博客
04-24 2万+
<Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition > Kaiming He         当前深度卷积神经网络（CNNs）都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度(因为要经过crop/warp)。本文给网...
目标检测(R-CNN,SPPNET,FAST-RCNN,FASTER-RCNN)
2303_79620604的博客
07-17 890
一文搞懂rcnn，sppnet，fastrcnn，fasterrcnn。
SPPnet
一千零一夜的博客
11-27 2877
参考：https://www.cnblogs.com/gongxijun/p/7172134.html http://www.cnblogs.com/chaofn/p/9305374.html 一，Pooling features from arbitrary windows on feature maps. The feature maps are computed from the en...
目标检测之SPPNet通俗详解
凌桑的自我修养--You are the Eternity
04-30 995
R-CNN算法中我已经知道了它的几个缺点，分别是：提取候选框耗时、重复计算、多次训练；针对以上几个缺点，作者对R-CNN做了改进和优化，改进的主要突破就在于对卷积特征进行共享，避免重复计算，减小计算量。 先来看下下面这张图，第一行就是原始R-CNN的特征提取和表示的过程： 由于要将同一个卷积层的输出作为FC层的输入，所以必须要保证feature map的大小一致（因为全连接层对特征个数有严格要求...
【目标检测】SPPNet算法详解
bryant_meng
11-23 1万+
转载自 http://blog.csdn.net/u011534057/article/details/51219959 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)1 基础框架  CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示
SPP-net解读
阿华Go，从现在开始的博客
03-20 5154
介绍：在上面的过程中我们已经看了YOLO实现图片的定位和识别的过程，可以看到它是一个end-to-end的网络，通过设置S*S个格子，然后让每个格子预测B个bbox，然后进行NMS可以得到置信度较大的几个类的预测，然后进行回归分析，注意里面loss值的计算，便可以得到计算速度非常快，效果很不错的YOLO网络，相比faster-rcnn网络，效果没有那么好，但是速度却有了很大的提升！今天我们看一个非...
深入浅出之SPPNET网络
浩瀚之水的专栏
09-17 3291
在普通的CNN机构中，输入图像的尺寸往往是固定的（比如224*224像素），输出则是一个固定维数的向量。SPP Net在普通的CNN结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。
SPP-Net
InMKaKui的博客
05-15 1617
R-CNN检测一张图片需要47s？    R-CNN对图像提取Region Proposal（2000个左右）之后，将每个Proposal当成一张图像进行后续处理(CNN特征提取+SVM分类)，实际上是对一张图像进行了2000次特征提取和分类。    这2000个Region Proposal都是图像的一部分，那么我们完全可以对图像进行一次特征提取的操作，然后将Region Proposal在原图...
SPP-net
一行一生
08-14 179
SPP-net待续。。。。。
SPP-NET
编辑尼撑
12-05 448
SSP-Net 这个网络主要的思想是为了让输入CNN的图像保持原始尺寸，而不像R-CNN等神经网络一样，需要将原始图像转换成固定的尺寸后，再输入网络。例如：warping,cropping等。 因为将原始图像压缩或转换为固定的尺寸是一个有损的过程，可能不包括整个对象或因图像扭曲而导致不必要的几何失真，可能会降低tasks的精度。 并且，CNN包括卷积层和全连接层。卷积层以滑动窗口的方式操作...
CV之DL之SPPNet：SPP-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
09-27 1万+
​ CV之DL之SPPNet：SPP-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略 目录 相关论文 SPP-Net算法的简介 SPP-Net关键步骤 相关文章 DL之SPP-Net：SPP-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略 DL之SPP-Net：SPP-Net算法的架构详解 相关论文 《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual
sppnet
陈依依的博客
12-08 1241
R-CNN 作为CNN引入目标检测的开篇之作，后来又出现了sppnet ,fast R-CNN,faster R-CNN等一系列目标检测算法，本次主要学习的是sppnet 首先介绍一下R-CNN的流程： 每张图片通过selectivesearch选出大约2000张候选框，每个候选框单独输入CNN做卷积操作，在使用SVM分类，以及最后位置的精修。sppnet就提出能不能在整张图上提取候选框特征，这样在整幅图上只进行一次卷积。 spp-net在图像检测方面也表现优
SPPNet文章
最新发布
03-14
2. **SPPNet 架构详解及案例应用**: 结合具体实例说明 SPPNet 如何应用于目标检测任务中。 3. **SPPnet 总结**: 归纳整理了 SPPNet 的主要贡献点及其与其他同类方法的区别。 #### 实现代码资源 对于希望动手实践的...
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