几种基于深度学习的目标检测.pptVIP

SPP Net 1. 结合空间金字塔方法实现 CNNs 的多尺度 输入 一般 CNNs 后接 full-connect layer 或者 classifier ，它们都需要固定的输入 尺寸。因此不得不对输入数据进行 crop 或 warp ，这些预处理会造成数据 的丢失或几何学上的失真。 SPP Net 的第一个贡献是将空间金字塔的思想 加入到 CNNs 中，实现了数据的多尺度输入。 Spatial Pyramid Pooling Layer （ SPP ） 如图，在卷基层和全连接层之间加入 SPP layer 。此时网络的输入 可以是任意尺寸，在 SPP layer 中每一个 pooling 的 filter 会根据输入 调整大小，而 SPP 的输出尺寸始终是固定的。 2 . 只对原图提取一次卷积特征 在 R-CNN 中，每个 proposed region 先 rescale 成统一大小， 然后分别作为 CNNs 的输入，这样是很低效的。 在 SPP Net 中，只对原图进行一次卷积得到整张图的 feature map ，然后找到每个 proposed region 在 feature map 上的 映射 patch ，将此 patch 作为每个 proposed region 的卷积特 征输入到 SPP layer 和之后的层。节省了大量的计算