标签：输出 提取 特征 region SSP 池化 Net proposal

SSP-Net TPAMI2014

一、优缺点
优点：
1.不用像R-CNN一样，对于每一个region proposal 都提取一遍特征，而是一整张图片放进去提取特征。在conv5层输出提取的所有region proposal 的特征，节省了大量的特征。
2.引入了空间金字塔池化，使得在不同尺度的特征上提取一个特征，然后映射到尺寸固定的全连接层上。

缺点：
1.需要存储大量的特征，region proposal对应的特征
2.依然和R-CNN一样是多阶段训练的，先是特征提取，然后用SVM分类以及对Bounding box回归
3.训练时间长(25.5小时)

二、过程
1.对于一整张图片的输入，先做卷积，提取了conv5层的特征，Select Search找到图片上的region proposal，然后对应到Con5提取的特征上。
2.对于region proposal对应的不同尺度的特征首先输入到SPP层得到一个相同大小的输出
3.对SPP层输出的特征去做分类以及回归操作。

三、空间金字塔：对于不同尺度的输入，输出一个相同尺度的特征
对于不同特征的输入，引入空间金字塔池化层，对特征进行了一个44，22，1*1网格的划分，然后对于每一个网格分别进行最大池化操作，把不同网格池化之后的特征进行了拼接，因此，可以得到16+4+1=21维的一个特征的输出。

四、训练过程

标签：输出,提取,特征,region,SSP,池化,Net,proposal
来源： https://blog.csdn.net/study_deep/article/details/90312352

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。