SPP-Net演示文档

SPP-Net是一种先进的目标检测算法，其核心思想在于将空间金字塔池化（Spatial Pyramid Pooling，简称SPP）技术引入深度卷积神经网络（CNNs），以此来解决传统CNNs输入图像尺寸必须是固定的问题。在传统的CNNs中，输入图像尺寸不一致时通常通过裁剪（cropping）或变形（warping）来处理，但这两种方法要么不能保证获取目标的完整信息，要么可能引入形变，同时丢失尺度信息。SPP-Net通过对任意尺寸输入图像进行多级空间池化处理，有效地解决了上述问题。 SPP-Net的创新之处在于： 1. 不论输入图像的尺寸如何，都可以产生固定长度的特征输出。 2. 应用多级空间池化，替代了传统滑动窗口方法的池化操作。 3. 在多个尺度上对卷积特征进行池化操作，丰富了特征的尺度信息。 SPP-Net的结构设计中，全连接层（FC层）需要固定尺寸的输入，但卷积层（Conv层）可以接受任意尺寸的输入。为了连接这两部分，SPP-Net在两者之间插入了SPP层，充当桥梁的作用。 在SPP-Net的训练过程中，理论上输入样本的尺寸可以任意，但考虑到现有GPU学习框架更适应固定尺寸的输入，提出了两种训练策略： 1. 单尺寸训练（Single-Size Training），其中输入尺寸为224x224，Conv5层输出为13x13，SPP层尺寸由金字塔的bins数量决定。 2. 多尺寸训练（Multi-Size Training），输入尺寸为224x224和180x180（从224x224缩放得到），Conv5层输出为13x13和10x10，SPP层尺寸同样由金字塔的bins数量决定。在多尺寸训练中，使用两个网络交替完成一个完整epoch的训练。 SPP-Net在图像分类的应用中，首先将图像缩放到256的尺寸，然后裁剪为224x224（中心及四个角），进行水平翻转和颜色调整。学习率初始化为0.01，并在误差稳定时除以10进行调整。 SPP-Net应用于目标检测时，区域建议（region proposal）部分使用selective search方法，而CNN部分结构采用ZF-5网络，金字塔包含50个bin。分类器采用SVM，正样本为ground-truth标注，IoU小于0.3的作为负样本。后处理阶段使用非极大值抑制（NMS）和针对类别特定的回归（class-specific regression）。 在目标检测性能方面，SPP-Net的速度可以达到比R-CNN使用单一尺度快64倍，如果使用五尺度则快24倍，并且mAP性能比R-CNN高出1.2倍。然而，SPP-Net仍然存在一些不足之处，例如它沿用了R-CNN的多阶段流水线（multi-stage pipeline），在微调（fine-tuning）阶段仅能更新全连接层（FC层）的参数，而卷积层（Conv层）的参数无法更新。此外，特征需要存储在磁盘中，这也影响了算法的速度。 SPP-Net的研究背景和部分参考文献如下： 1. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun所著的" Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition "发表于ECCV2014和TPAMI2015。 2. "Rich Feature Hierarchies for Accurate Object Detection and Segmentation"，发表于CVPR2014。 3. 官方论文网站：*** ***的个人博客以及其它详细介绍SPP-Net的网站和文章，例如CSDN上的专栏介绍（***）以及深度学习相关知识的介绍（***）。 5. 以及知乎上关于SPP-Net的详细讨论（***）。