开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何在c++中构建左半角金字塔

在C++中构建左半角金字塔可以使用循环语句和嵌套循环来实现。以下是一个示例代码：

#include <iostream>

int main() {
    int rows;
    std::cout << "请输入金字塔的行数：";
    std::cin >> rows;

    for (int i = 1; i <= rows; ++i) {
        for (int j = 1; j <= i; ++j) {
            std::cout << "* ";
        }
        std::cout << std::endl;
    }

    return 0;
}

这段代码首先会要求用户输入金字塔的行数，然后使用两个嵌套的循环来打印出相应行数的左半角金字塔。外层循环控制行数，内层循环控制每一行的星号数量。每打印完一行后，会输出一个换行符。

这个左半角金字塔的构建方法可以应用于各种场景，比如在控制台中打印图形、制作简单的动画效果等。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product/cvm
腾讯云数据库服务：https://cloud.tencent.com/product/cdb
腾讯云服务器运维服务：https://cloud.tencent.com/product/cds
腾讯云人工智能服务：https://cloud.tencent.com/product/ai
腾讯云物联网服务：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发服务：https://cloud.tencent.com/product/mobdev
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/baas
腾讯云元宇宙服务：https://cloud.tencent.com/product/mu

请注意，以上链接仅供参考，具体产品选择应根据实际需求和情况进行评估。

相关搜索:如何在金字塔中构建路径如何在c++中构建va_list 如何在Visual Studio C++中构建exe 如何在swift中访问构建设置常量，如$(PROJECT_DIR)？如何在Visual C++中构建导入库(.lib)和DLL？如何在Visual Studio Code中构建和运行C++文件？如何在C++中包含从源代码构建的库？[LINUX]如何在C++中构建一个用于Python的类？如何在c++程序中创建快捷键(键盘输入，如'Alt‘或'Shift')如何在C++中克隆、构建和链接g2o框架如何在C/C++中构建自定义简单DNS服务器如何在CentOS 8中安装可视化C++构建工具(14.0+)？如何在Android Studio中构建本地/主机操作系统C++单元测试？如何在conda虚拟环境中安装c++构建工具，以便与cython/setproctitle一起使用如何在虚幻引擎4中使用C++在运行时从3d文件(如.fbx )的二进制数据生成网格？我想使用Tensorflow Xcode API，但是在我从源代码构建Tensorflow之后，我应该如何在C++中链接库？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

谷歌大脑提出NAS-FPN：这是一种学会自动架构搜索的特征金字塔网络

作者：Golnaz Ghaisi、Tsung-Yi Lin、Ruoming Pang、Quoc V. Le

02

构建图像金字塔：探索 OpenCV 的尺度变换技术

在计算机视觉领域，图像金字塔是一种强大的技术，可用于在不同尺度下对图像进行分析和处理。金字塔的概念借鉴了古埃及的金字塔形状，其中每一级都是前一级的缩小版本。本篇博客将深入探讨如何构建图像金字塔，以及如何在实际应用中利用金字塔来解决各种计算机视觉问题。我们将使用 OpenCV 库和 Python 编程语言进行实际演示。

05

谷歌大脑新技术——多尺度特征金字塔结构用于目标检测

当前最先进的目标检测卷积结构是手动设计的。在这里，我们的目标是学习一个更好的特征金字塔网络结构的目标检测。

02

深度优化局部拉普拉斯金字塔滤波器

基于局部拉普拉斯金字塔的Edge-aware滤波器是在2011年由Adobe 公司的研究员Sylvain Paris（大神级人物，写了很多文章）提出的，我在4年前曾经参考有关代码实现过这个算法，但是速度也是非常慢的，所以当时也没有继续做深入的研究，前段时间做另外一个算法时仔细的研究了下高斯和拉普拉斯金子塔的优化，因此又抽时间仔细的分析了算法的论文和代码，由于论文的理论部分还有一些我没有想清楚，因此在这里我只对研读过程中涉及的代码方面的优化做个解读。

04

数据、流沙、与Filecoin的金字塔

题记：梦想家是那种只能依靠月光才能找到路的人，他受到的惩罚是比整个世界都提早看到黎明。——奥斯卡.王尔德

02

深度优化局部拉普拉斯金字塔滤波器。

基于局部拉普拉斯金字塔的Edge-aware滤波器是在2011年由Adobe 公司的研究员Sylvain Paris（大神级人物，写了很多文章）提出的，我在4年前曾经参考有关代码实现过这个算法，但是速度也是非常慢的，所以当时也没有继续做深入的研究，前段时间做另外一个算法时仔细的研究了下高斯和拉普拉斯金子塔的优化，因此又抽时间仔细的分析了算法的论文和代码，由于论文的理论部分还有一些我没有想清楚，因此在这里我只对研读过程中涉及的代码方面的优化做个解读。

03

"羊驼"入侵CV，美团&浙大沈春华团队将LLaMA向CV扩展，构建全新基础模型VisionLLaMA

大型语言模型构建在基于Transformer的架构之上来处理文本输入, LLaMA 系列模型在众多开源实现中脱颖而出。类似LLaMa的Transformer可以用来处理2D图像吗？在本文中，我们通过提出一种类似 LLaMA 的朴素和金字塔形式的Transformer来回答这个问题，称为 VisionLLaMA。VisionLLaMA 是一个统一的通用建模框架，用于解决大多数视觉任务。

01

方法论系列：用四个金字塔来说明金字塔原理

之前发表的一系列博客主要以技术原理及应用为主，很少发布“方法论”相关的内容；在日常工作中有一些好的方法论的加持，可以让工作内容更顺利的推进，达到事半功倍的效果。而日常工作中针对不同的工作任务所使用的方法论也有所不同；接下来将总结下工作中常用的方法论以及具体的使用场景。

02

测试金字塔实战 | 洞见

这是一篇非常漫长并且艰深的文章的节选（点击文末阅读原文查看全文），它解释了为什么我们需要测试，以及如何对软件进行测试的问题。好消息是，这篇文章提供的信息经得起时间推敲，无论你在构建什么样的软件都能适用。不管你是工作在一个微服务项目上，还是 IoT 设备上，抑或是手机应用或者网页应用，这篇文章提供的观点应该都有章可寻。

03

测试金字塔实战 | 洞见

这是一篇非常漫长并且艰深的文章的节选（点击文末阅读原文查看全文），它解释了为什么我们需要测试，以及如何对软件进行测试的问题。好消息是，这篇文章提供的信息经得起时间推敲，无论你在构建什么样的软件都能适用。不管你是工作在一个微服务项目上，还是 IoT 设备上，抑或是手机应用或者网页应用，这篇文章提供的观点应该都有章可寻。

02

Feature Selective Anchor-Free Module for Single-Shot Object Detection(文献阅读)

目标的多尺度变化在目标检测中是一个很重要的问题，利用特征层多尺度(或anchor多尺度)是一种有效的解决方案。Anchor box用于将所有可能的Instance box离散为有限数量的具有预先定义的位置、尺度和纵横比的box。Instance box和Anchor box基于IOU重叠率来匹配。当这种方法集成到特征金字塔的时候，大的anchor通常和上部的特征相映射，小的anchor通常和下部的特征相映射，如下图所示。这是基于启发式的，即上层特征图有更多的语义信息适合于检测大的目标，而下层特征图有更多的细粒度细节适合于检测小目标。然而，这种设计有两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。在训练过程中，每个实例总是根据IoU重叠匹配到最近的锚盒。而锚框则通过人类定义的规则(如框的大小)与特定级别的功能映射相关联。因此，为每个实例选择的特性级别完全基于自组织启发式。例如,一个汽车实例大小50×50像素和另一个类似的汽车实例规模60×60像素可能分配到两个不同的特征层,而另一个40×40像素大小的实例可能被分配到和50x50相同的特征层,如下图所示。

02

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

人脸检测中，如何构建输入图像金字塔

在文章《特征，特征不变性，尺度空间与图像金字塔》中我们初步谈到了图像金字塔，在这篇文章中将介绍如何在人脸检测任务中构建输入图像金子塔。

04

用测试金字塔指导数据应用的测试

由于数据应用开发和功能性软件系统开发存在很大的不同，在我们实践过程中，在开发人员和质量保证人员间常常有大量关于测试如何实施的讨论。下文将尝试总结一下数据应用开发的特点，并讨论在这些特点之下，对应的测试策略应该是怎么样的。

03

你在测试金字塔的哪一层（上）

在准备将软件上线到生产环境之前需要进行测试。随着软件测试方式日趋成熟，软件开发团队的测试也在取代大量手动测试，逐渐实现自动化测试。通过自动化测试，开发团队可以在短短几分钟内就了解到软件是否存在问题，而不需要等待几天的时间。

01

Feature Pyramid Networks for Object Detection

特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺度金字塔结构构造了具有边际额外成本的特征金字塔。提出了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。该体系结构称为特征金字塔网络(FPN)，作为一种通用的特征提取器，它在几个应用程序中得到了显著的改进。在一个基本的Fasater R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没有任何附加条件，超过了所有现有的单模型条目，包括来自COCO 2016挑战赛冠军的条目。此外，我们的方法可以在GPU上以每秒6帧的速度运行，因此是一种实用而准确的多尺度目标检测解决方案。

02

ICDAR 2019论文：自然场景文字定位技术详解

自然场景图像中的文字识别应用广泛，其中文字定位是最重要的一步，但技术上极具挑战。本文提出了一个高效的场景文本检测框架，取得了明显的效果提升。

03

特征金字塔特征用于目标检测

前言：这篇文章主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。作者也在流行的Fast&Faster R-CNN上进行了实验，在COCO数据集上测试的结果现在排名第一，其中隐含的说明了其在小目标检测上取得了很大的进步。其实整体思想比较简单，但是实验部分非常详细和充分。摘要：特征金字塔是多尺度目标检测系统中的一个基本组成部分。近年来深度学习目标检测特意回避金字塔特征表示，因为特征金字塔在计算量和内存上很昂贵。所以作者利用了深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。

07

测试金字塔的奥秘和数学

它可能被称为“测试自动化金字塔”，但在大多数情况下看起来都像三角形一样可怕。如果使用吉萨大金字塔的尺寸和本文中讨论的数学方程式，您将最终对测试金字塔的每一层的作用和依赖性以及建立牢固基础的重要性有更深入的了解。

00

Feature Selective Anchor-Free Module for Single-Shot Object Detection

提出了一种简单有效的单阶段目标检测模块——特征选择无锚定(FSAF)模块。它可以插入到具有特征金字塔结构的单阶段检测器中。FSAF模块解决了传统基于锚点检测的两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。FSAF模块的总体思想是将在线特征选择应用于多水平无锚分支的训练。具体来说，一个无锚的分支被附加到特征金字塔的每一层，允许在任意一层以无锚的方式进行盒编码和解码。在训练过程中，我们动态地将每个实例分配到最合适的特性级别。在推理时，FSAF模块可以通过并行输出预测与基于锚的分支联合工作。我们用无锚分支的简单实现和在线特性选择策略来实例化这个概念。在COCO检测轨道上的实验结果表明，我们的FSAF模块性能优于基于锚固的同类模块，而且速度更快。当与基于锚点的分支联合工作时，FSAF模块在各种设置下显著地改进了基线视网膜网，同时引入了几乎自由的推理开销。由此产生的最佳模型可以实现最先进的44.6%的映射，超过现有的COCO单单阶段检测器。

02

光流模型概述：从 PWC-Net 到 RAFT

RAFT：All pairs correlation + recurrent refinement

03

目标检测 | FPN，多尺度目标检测经典Backbone

作者提到，在2017年以前，目标检测中的一个基本挑战就是目标检测模型在处理目标多尺度变化问题的不足，因为在当时很多网络都使用了利用单个高层特征，(比如说Faster R-CNN利用下采样四倍的卷积层——Conv4，进行后续的物体的分类和bounding box的回归)，但是这样做有一个明显的缺陷，即小物体本身具有的像素信息较少，在下采样的过程中极易被丢失，而之前的图像金字塔结构虽然也能解决多尺度问题，但计算量大，内存消耗大，因此作者提出了特征金字塔结构，能在增加极小的计算量的情况下，处理好物体检测中的多尺度变化问题。

03

一个鲁棒实时且无需校准的车道偏离警告系统

文章：A robust, real-time and calibration-free lane departure warning system

01

C语言入门：正，反两座金字塔

其实学编程关键是学习其思想，如果你精通了一门，再去学其他的时候也很容易上手。C不会过时的，尤其是在unix、linux操作平台上，学好C是必须的。

02

【从零学习OpenCV 4】图像金字塔

构建图像的高斯金字塔是解决尺度不确定性的一种常用方法。高斯金字塔是指通过下采样不断的将图像的尺寸缩小，进而在金字塔中包含多个尺度的图像，高斯金字塔的形式如图3-30所示，一般情况下，高斯金字塔的最底层为图像的原图，每上一层就会通过下采样缩小一次图像的尺寸，通常情况尺寸会缩小为原来的一半，但是如果有特殊需求，缩小的尺寸也可以根据实际情况进行调整。由于每次图像的尺寸都缩小为原来的一半，图像尺缩小的速度非常快，因此常见高斯金字塔的层数为3到6层。OpenCV 4中提供了pyrDown()函数专门用于图像的下采样计算，便于构建图像的高斯金字塔，该函数的函数原型在代码清单3-51中给出。

01

ArcMap中构建金字塔详解

金字塔可用于改善性能。它们是原始栅格数据集的缩减采样版本，可包含多个缩减采样图层。金字塔的各个连续图层均以 2:1 的比例进行缩减采样。如下图所示。从金字塔的底层开始每四个相邻的像素经过重采样生成一个新的像素，依此重复进行，直到金字塔的顶层。重采样的方法一般有以下三种: 双线性插值（BILINEAR）、最临近像元法（NEAREST）、三次卷积法（CUBIC）。其中最临近像元法速度最快，如果对图像的边缘要求不是很高，最适合使用该方法。三次卷积由于考虑的参考点数太多、运算较复杂等原因，速度最慢，但是重采样后图像的灰度效果较好。

01

opencv(4.5.3)-python(十七)--图像金字塔

通常情况下，我们习惯于使用一个恒定大小的图像。但在某些情况下，我们需要处理不同分辨率的（相同）图像。例如，当我们在图像中搜索某个东西时，比如人脸，我们不确定该物体会以何种尺寸出现在所述图像中。在这种情况下，我们需要创建一组具有不同分辨率的相同图像，并在所有这些图像中搜索物体。这些具有不同分辨率的图像集被称为图像金字塔（因为当它们被保存在一个堆栈中，最高分辨率的图像在底部，最低分辨率的图像在顶部，它看起来像一个金字塔）。

03

拉普拉斯金字塔在多图HDR算法中的应用以及多曝光图像的融合算法简介。

这方面最经典的文章是2007年Tom Mertens等人发表的《Exposure Fusion》一文，用简单的篇幅和公式描述了一个非常优异的合成过程，虽然在2019年Charles Hessel发表了一篇《Extended Exposure Fusion》的文章中，提出了比Exposure Fusion更为优异的合成效果，但是代价是更高昂的计算成本，而Exposure Fusion也已经相当优秀了，本文主要简单记录下个人的Exposure Fusion优化过程。

02

FPN详解

论文题目：Feature Pyramid Networks for Object Detection

04

9. 图像处理的应用 - 欧式视频放大的实现

上一次我介绍了一个计算摄影技术构成的"动作放大器"，它能够高效的将视频中的难以用肉眼察觉的变化分离出来，并在重新渲染过程中进行放大，生成新的视频。这里面的典型代表是欧式视频动作放大。

03

LK金字塔光流法与简单实现

不务正业预警眼看着一个学期又告一段落，几个月来拢共还是没写几篇博客。不过手头上倒是还积累着不少资料值得一写，趁着新春得闲可以好好梳理梳理了。

02

如何在 Python 中使用 plotly 创建人口金字塔？

在本文中，我们将探讨如何在 Python 中使用 Plotly 创建人口金字塔。Plotly是一个强大的可视化库，允许我们在Python中创建交互式和动态绘图。

01

全新FPN开源 | CFPNet即插即用，助力检测涨点，YOLOX/YOLOv5均有效

目标检测是计算机视觉领域最基本但最具挑战性的研究任务之一，其目的是为输入图像中的每个目标预测唯一的边界框，该边界框不仅包含位置，还包含类别信息。在过去几年中，这项任务已被广泛开发并应用于广泛的潜在应用，例如自动驾驶和计算机辅助诊断。

03

opencv高斯金字塔_高斯求和公式

图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像。把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素（尺寸）逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像，这就构成了传统意义上的图像金字塔。

01

论文阅读理解 - Learning Feature Pyramids for Human Pose Estimation

Hourglass 网络以 feed-forward 方式学习每个 scale 的信息.

07

【python-opencv】图像金字塔

通常，我们过去使用的是恒定大小的图像。但是在某些情况下，我们需要使用不同分辨率的（相同）图像。例如，当在图像中搜索某些东西（例如人脸）时，我们不确定对象将以多大的尺寸显示在图像中。在这种情况下，我们将需要创建一组具有不同分辨率的相同图像，并在所有图像中搜索对象。这些具有不同分辨率的图像集称为“图像金字塔”（因为当它们堆叠在底部时，最高分辨率的图像位于顶部，最低分辨率的图像位于顶部时，看起来像金字塔）。

02

详细解读GraphFPN | 如何用图模型提升目标检测模型性能？

特征金字塔在需要多尺度特征的图像理解任务中已被证明是强大的。多尺度特征学习的最新方法侧重于使用具有固定拓扑结构的神经网络跨空间和尺度执行特征交互。

02

CODING DevOps 系列第五课：微服务测试——微服务下展开体系化的微服务测试

这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。

02

一起来学SLAM之ORB特征点

平台活动第三期：一起来学SLAM上周分享了ORB-SLAM相机位姿初始化的两种方式基础矩阵，本质矩阵，单应性矩阵讲解，本周主要讲解图像的FAST角点和ORB特征点的理论知识。相信接触过视觉SLAM的小伙伴一定不陌生！

02

LeetCode 756. 金字塔转换矩阵（回溯）

对于三元组(A, B, C) ，“C”为顶层方块，方块“A”、“B”分别作为方块“C”下一层的左、右子块。当且仅当(A, B, C)是被允许的三元组，我们才可以将其堆砌上。

01

目标检测（CVPR2017）：Feature Pyramid Networks

（a）使用图像金字塔构建特征金字塔网络：每个图像尺度上的特征都是独立计算的，速度缓慢。

03

C++ OpenCV特征提取之SIFT特征检测

前面我们介绍了《C++ OpenCV特征提取之SURF特征检测》，这一篇我们在介绍一下SIFT的特征提取。

04

何恺明组新论文：只用ViT做主干也可以做好目标检测

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G 做目标检测就一定需要 FPN 吗？昨天，来自 Facebook AI Research 的 Yanghao Li、何恺明等研究者在 arXiv 上上传了一篇新论文，证明了将普通的、非分层的视觉 Transformer 作为主干网络进行目标检测的可行性。他们希望这项研究能够引起大家对普通主干检测器的关注。研究概览论文链接：htt

03

何恺明团队新作ViTDet：用于目标检测的视觉Transformer主干网络

做目标检测就一定需要 FPN 吗？昨天，来自 Facebook AI Research 的 Yanghao Li、何恺明等研究者在 arXiv 上上传了一篇新论文，证明了将普通的、非分层的视觉 Transformer 作为主干网络进行目标检测的可行性。他们希望这项研究能够引起大家对普通主干检测器的关注。

01

何恺明组新论文：只用ViT做主干也可以做好目标检测

机器之心报道编辑：张倩、小舟做目标检测就一定需要 FPN 吗？昨天，来自 Facebook AI Research 的 Yanghao Li、何恺明等研究者在 arXiv 上上传了一篇新论文，证明了将普通的、非分层的视觉 Transformer 作为主干网络进行目标检测的可行性。他们希望这项研究能够引起大家对普通主干检测器的关注。研究概览论文链接：https://arxiv.org/pdf/2203.16527.pdf 当前的目标检测器通常由一个与检测任务无关的主干特征提取器和一组包含检测专用

06

何恺明组新论文：只用ViT做主干也可以做好目标检测

来源：机器之心本文约3100字，建议阅读5分钟arXiv上上传了一篇新论文，证明了将普通的、非分层的视觉 Transformer 作为主干网络进行目标检测的可行性。做目标检测就一定需要 FPN 吗？昨天，来自 Facebook AI Research 的 Yanghao Li、何恺明等研究者在 arXiv 上上传了一篇新论文，证明了将普通的、非分层的视觉 Transformer 作为主干网络进行目标检测的可行性。他们希望这项研究能够引起大家对普通主干检测器的关注。研究概览论文链接： https:/

02

全新AFPN出现 | 完胜PAFPN，堪称YOLO系列的最佳搭档

目标检测是计算机视觉中的一个基本问题，旨在检测和定位图像或视频中的目标。随着深度学习的出现，目标检测发生了范式转变，基于深度学习的方法已成为主流方法。正在进行的研究导致了许多新方法的发展，表明了该领域进一Stride步的潜力。

05

微服务架构之「微服务测试」

微服务测试的痛点与挑战这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。微服务是一种架构模式，是面向服务型架构SOA的一种变体，提倡将单一应用程序逐渐还原划分成小的服务，服务间互相协调、互相配合，为用户提供最终价值。微服务架构风格就是一些小而自治的服务协同工作形成松耦合的系统。另外，我们需要尽量

01

SPPnet论文总结

小菜看了SPPNet这篇论文之后，也是参考了前人的博客，结合自己的一些观点写了这篇论文总结。这里参考的连接如下： [http://blog.csdn.net/u013078356/article/details/50865183] 论文：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，这篇paper主要的创新点在于提出了空间金字塔池化。paper主页：http://research.microsoft.com/en-us/um/people/kahe/eccv14sppnet/index.html 这个算法比R-CNN算法的速度快了n多倍。我们知道在现有的CNN中，对于结构已经确定的网络，需要输入一张固定大小的图片，比如224*224、32*32、96*96等。这样对于我们希望检测各种大小的图片的时候，需要经过裁剪，或者缩放等一系列操作，这样往往会降低识别检测的精度，于是paper提出了“空间金字塔池化”方法，这个算法的牛逼之处，在于使得我们构建的网络，可以输入任意大小的图片，不需要经过裁剪缩放等操作，只要你喜欢，任意大小的图片都可以。不仅如此，这个算法用了以后，精度也会有所提高，总之一句话：牛逼哄哄。

03

FPN总结[通俗易懂]

经典的two stage检测网络有：faster RCNN和SSD，它们用于做bbox regression的模型各有不同，faster RCNN是VGG，feature map经过不断地下采样，最后的feature map送入RPN层，这样不断地下采样使得小检测框的像素非常小，无法进行训练的到，得到很好的结果。而SSD则是分别对不同尺寸的feature map进行bbox regression，这就导致尺寸较大的feature map没有高级语义，对于全局语义没有很好地提取，无法判断出物体的位置和大小，同样对小检测框没有很好的检测效果。FPN则解决了这个问题。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭