Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition--SPP-net论文笔记
2016-06-25 22:16
609 查看
一、为什么提出SPP-net
传统的CNNs网络的不足:对输入图像要求固定尺寸,其原因是网络最后面的全连接层要求是固定长度的特征向量。R-CNN框架发现,对图像提完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提特征+SVM分类),实际上对一张图像进行了2000次提特征和分类的过程,速度很慢!
二、什么是SPP-net
在CNN网络中最后一个卷积层与全连接层之间,嵌入SPP层,对前一个conv层的子区域(对应于候选区域)进行空间金字塔池化(SPP),输出一个固定长度的特征表示。如下图所示,SPP将对应于候选区域的上一层特征图上的子区域提取固定长度特征,其方法是子区域划分为4×4、2×2、1×1的块,然后对每一个这样的块进行池化(pooling)(文章用的是max-pooling),最后将池化后的结果作为输出特征,这个特征的长度是固定的。像在下图中,256是特征图的数量,-d是dimension的意思,不是减d。三、SPP-net的优点
而SPP-net的图像输入可以任意尺寸。与R-CNN相比,SPP-net更快、更高效。SPP-net网络对一张图像只处理一次,直接在特征图(feature map)上用SPP提取固定长度的特征; 而R-CNN网络对每一个候选区域(一般有以千计的候选区域)都要经过CNN网络提取特征。
四、SPP-net的缺点
训练分为多个阶段,步骤繁琐: 微调网络+训练SVM+训练训练边框回归器四、SPP-net的适用场合
图像分类(image classification)目标检测(object detection)
相关文章推荐
- 系统学习机器学习之距离的度量(一)--常见距离
- PowerDesigner(六)-物理数据模型(PDM逆向工程)
- 从SystemUI电池图标的显示探讨Android电池管理
- Only for test
- 深度学习与SLAM,SLAM的未来
- Nginx之环境准备
- 判断整数 x 能否表示成 n(n >= 2)个连续正整数的和
- 转:【webapp的优化整理】要做移动前端优化的朋友进来看看吧
- 守护进程
- 关于RStudio中的save问题
- Android 常用方法集合工具类CommonUtil
- Android support library支持包常用控件介绍(一)
- 222. Count Complete Tree Nodes
- sql分页
- 从高版本JDK换成低版本JDK报错Unsupported major.minor version 52.0
- Delphi XE10支持IOS IPV6的处理
- 用JS实现年月日的联动
- javascript学习0——序言
- Android:res之selector背景选择器
- 营销模式