本文主要是介绍[目标检测]——SPPNet算法，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

SPPNet对R-CNN进行了改进，首先分析R-CNN慢在哪里？

R-CNN慢就慢在卷积运算，一张图片里面有2000个候选区域需要做卷积运算

一、SPPNet做出的改进

SPPNet主要存在两点改进地方，提出了SPP层

1、减少卷积运算

R-CNN中 crop/warp 是对图片进行形状修改

二、SPPNet介绍

1、操作步骤

1. 图片输入到网络先得到一个 feature map
2. 原图中通过SS得到的候选区域直接映射feature map中对应位置
3. 映射过来的候选区域的特征，经过SPP层（空间金字塔变换层），S输出固定大小的特征向量。

2、映射

原图经过CNN变成 feature map，原始图片通过选择选择性搜索（SS）得到了候选区域（Region of interest），现在需要将基于原始图片的候选区域映射到 feature map 中的特征向量。映射过程图参考如下：

整个映射过程具体的公式，如下：

S 在论文中等于16，也就是每个卷积层的步长乘积。（2*2*2*2 = 16）

 通过以上介绍，可以得出：

特征图中的xmin',ymin' = [xmin/16] + 1, [ymin/16] + 1

特征图中的xmax',ymax' = [xmax/16] - 1, [ymax/16] - 1

3、SPP（spatial pyramid pooling）

通过spatial pyramid pooling 将候选区域的 特征图转换成固定大小的特征向量。

三、SPPNet总结

• 首先不需要做大量的运算，节约计算资源
• 加入SPP

这篇关于[目标检测]——SPPNet算法的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！