SPPnet詳解

RCNN系列：RCNN，SPPNet，F(xiàn)ast RCNN，F(xiàn)aster RCNN，R-FCN。
作者是何凱明

SPPNet出現(xiàn)的原因

之前的網(wǎng)絡(luò)，比如LeNet，AlexNet，ZF，VGG等，它們的輸入都是固定大小的，為什么要固定大小吶？原因就在最后連接的全連接層上。全連接層的輸入一定是固定大小的。這一點(diǎn)很容易理解，因?yàn)槿B接層網(wǎng)絡(luò)就是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的輸入層必定是固定大小的。而卷積神經(jīng)網(wǎng)絡(luò)的conv層的輸入并不需要固定大小，
那么conv層不用固定大小，F(xiàn)C層的輸入又要固定大小，那么在這兩者之間加上一層SPP即可解決這個(gè)問題了。

在此之前，需要將圖片經(jīng)過crop（裁剪）、warp（拉伸）等操作把圖片變換成固定尺寸，才能輸入神經(jīng)網(wǎng)絡(luò)。這些操作在一定程度上會(huì)導(dǎo)致圖片信息的丟失或者變形。對(duì)此SPPnet提出的解決方案是在最后一層卷積層后用空間金字塔池化層（Spatial Pyramid Pooling）代替普通池化層。

優(yōu)點(diǎn)是：
1.它解決了深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的輸入必須要求固定圖像尺寸（例如224*224）的限制。
2.在目標(biāo)檢測(cè)領(lǐng)域它提高了提取特征的效率，速度相比R-CNN提升24-102倍。

原理

總結(jié)

以上是生活随笔為你收集整理的SPPnet详解的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。