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

tensorflow可以为不同的输入图像大小建立spp-net模型吗？

TensorFlow是一个开源的机器学习框架，可以用于构建和训练各种深度学习模型。SPP-Net（Spatial Pyramid Pooling Network）是一种用于图像分类的深度学习模型，它可以处理不同尺寸的输入图像。

SPP-Net通过引入空间金字塔池化层（Spatial Pyramid Pooling Layer）来解决输入图像尺寸不同的问题。该层将输入图像分割成多个不同尺寸的区域，并对每个区域进行池化操作，最后将所有池化结果拼接在一起作为模型的特征表示。这样，无论输入图像的尺寸如何，SPP-Net都可以生成固定长度的特征向量，从而实现对不同尺寸图像的分类。

在TensorFlow中，可以使用tf.image.resize()函数来调整输入图像的大小，以适应SPP-Net模型的输入要求。通过在模型的前向传播过程中，将输入图像经过resize操作后输入到SPP-Net模型中，就可以实现对不同尺寸图像的处理。

推荐的腾讯云相关产品是腾讯云AI智能图像处理服务，该服务提供了丰富的图像处理功能，包括图像识别、图像分析、图像增强等，可以与TensorFlow结合使用，实现对不同尺寸图像的处理和分类。具体产品介绍和使用方法可以参考腾讯云AI智能图像处理服务的官方文档：腾讯云AI智能图像处理服务。

相关搜索:Keras -如果我想接受三个或更多不同数据大小和类型的输入，这个模型架构是正确的吗？不同大小图像的TensorFlow教程DCGAN模型如果我们的.png可绘制图像使用恒定的DP大小，那么我们为每个屏幕大小提供不同的.pngs有关系吗？当使用Tensorflow对象检测API创建的模型执行对象检测时，CNN的图像输入大小是多少？我们可以在不同大小的图像上训练LeNet模型吗？我可以使用具有不同输入通道大小的预训练模型吗？linux 怎么防肉鸡如果查看自己的linux服务器是否变肉鸡 linux虚拟机下安装gcc linux系统不能上网

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

目标检测综述

这张图清楚说明了image classification, object detection, semantic segmentation, instance segmentation之间的关系. 摘自COCO dataset (https://arxiv.org/pdf/1405.0312.pdf)

01

5.3 SPPNet

2、对于卷积网络来讲都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度。当遇到任意尺寸的图像是，都是先将图像适应成固定尺寸，方法包括裁剪和变形。裁剪会导致信息的丢失，变形会导致位置信息的扭曲，就会影响识别的精度。

01

一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD「建议收藏」

之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到一些写的不错的通俗易懂的资料，加之之前在京东上掏了一本书看了看，就这样耳濡目染中，还是开始研究了。

01

【私人整理】空间金字塔池化网络SPPNet详解

之前的深度卷积神经网络（CNNs）都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度。为什么会降低精度呢？由于输入的图像大小固定，即数据维度固定，但是现实样本中往往很多样本是大小不一的，为了产生固定输入大小的样本，有两种主要的预处理措施：

06

图像处理之目标检测入门总结

本文首先介绍目标检测的任务，然后介绍主流的目标检测算法或框架，重点为Faster R-CNN，SSD，YOLO三个检测框架。本文内容主要整理自网络博客，用于普及性了解。

01

一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。

02

笔记分享 : 论文解读 Spatial Pyramid Pooling in Deep Convolutional

今天分享的学习笔记是CV（Computer Vision）领域中一篇论文，该论文由何凯明大神于2015年发表。何大牛在CV界几乎无人不知、无人不晓。

03

重磅|基于深度学习的目标检测综述(一）

作者：叶虎编辑：黄俊嘉前言图像分类，检测及分割是计算机视觉领域的三大任务。图像分类模型（详情见[这里](https://medium.com/comet-app/review-of-deep-learning-algorithms-for-image-classification-5fdbca4a05e2)）是将图像划分为单个类别，通常对应于图像中最突出的物体。但是现实世界的很多图片通常包含不只一个物体，此时如果使用图像分类模型为图像分配一个单一标签其实是非常粗糙的，并不准确。对于这

05

SPPNet网络模型[通俗易懂]

上篇文章详细阐述了R-CNN网络模型，本篇本章本来准备阐述Fast-RCNN模型的，介于SPP-Net模型有许多技巧性的技术可以在不同模型上使用，所以本篇详细分析下SPP-Net

02

目标检测——SPPNet【含全网最全翻译】「建议收藏」

论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 空间金字塔池化，大神何恺明于2014年写的paper: 论文地址：https://arxiv.org/pdf/1406.4729.pdf RCNN在2013年发表后，大佬在2014年提出了空间金字塔池化，性能和准确率都大幅提高，且在后面很多网络中都延续了这一思想。这篇文章比较长，我们也基于论文将其大体翻译了一下，伙伴们要耐心看呀！那么让我们一起开始学习吧！先放上大佬的照片来镇楼：

01

深度学习经典网络解析：8.R-CNN

目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所在位置，并完成对物体类别的识别。其准确性和实时性是整个系统的一项重要能力。

03

9种深度学习算法简介

导读：从算法处理的流程来划分，基于深度学习的目标检测算法可分为两阶段（Two-Stage）算法和一阶段（One-Stage）算法，两阶段算法需要先进行候选框的筛选，然后判断候选框是否框中了待检测目标，并对目标的位置进行修正；一阶段算法没有筛选候选框的过程，而是直接回归目标框的位置坐标和目标的分类概率。

02

CNN--卷积神经网络从R-CNN到Faster R-CNN的理解(CIFAR10分类代码)

上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车那是什么车。

02

读论文系列：Object Detection SPP-net

本文为您解读SPP-net: Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition Motiva

R-CNN、SPP-Net、Fast R-CNN…你都掌握了吗？一文总结目标检测必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 16 个在目标检测任务上曾取得 SOTA 的经典模型。第 1 期：R-CNN、SPP-Net、Fast R-CNN、Faster R-C

03

SPPNet（2015）

RCNN首次将卷积操作引入检测领域用于提取特征，然而现有的深度卷积网络需要输入固定尺寸的图片，这个需求可能会导致对于任意scale/size的图片的识别精确度下降。【深度卷积神经网络由卷积层和全连接层组成，卷积层对于任意大小的图片都可以进行卷积运算提取特征，输出任意大小的特征映射，而全连接层由于本身的性质需要输入固定大小的特征尺度，所以固定尺寸的需求来自于FC层，即使对输入图片进行裁剪、扭曲等变换，调整到统一的size，也会导致原图有不同程度失真、识别精度受到影响】SPPNet提出了**“空间金字塔池化”**消除这种需求，不管图像大小是多大，在整张图片上只需要计算一次，就可以得到整幅图像的特征图，经过池化都会输出一个固定长度的表征。

02

深度学习与CV教程(12) | 目标检测 (两阶段,R-CNN系列)

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

03

卷积神经网络CNN，CRNN

上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车那是什么车。

01

fasterrcnn详解_faster RCNN

paper：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Tensorflow-faster r-cnn github:Tensorflow Faster RCNN for Object Detection

02

目标检测资源总结

blog.csdn.net/l7H9JA4/article/details/79620247

03

图像处理之目标检测的入门总结

目标检测，object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。

01

通俗易懂的目标检测 | RCNN, SPPNet, Fast, Faster

本文主要讲一下深度网络时代，目标检测系列的RCNN这个分支，这个分支就是常说的two-step，候选框 + 深度学习分类的模式：RCNN->SPP->Fast RCNN->Faster RCNN

02

目标检测 RCNN, SPPNet, Fast RCNN, Faster RCNN 总结

RCNN CVPR 2014 Rich feature hierarchies for accurate object detection and semantic segmentation https://github.com/rbgirshick/rcnn

03

[Intensive Reading]目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

04

计算机视觉中的物体检测方法

本文适合刚入门物体检测的人群学习，不涉及公式推理。目录 *摘要 *相关物体检测数据集介绍 *现有的主流物体检测算法 *物体检测的难点与挑战 *相关术语介绍 *物体检测的传统算法概述 *基于深度学习的物体检测算法 R-CNN Fast-RCNN Faster-RCNN YOLO *物体检测动手实践 *参考文献摘要相比于图像分类，图像中物体检测是计算机视觉中一个更加复杂的问题，因为图像分类只需要判断出图像属于哪一类就行，而在物体检测中，图像里可能有多个物体，我们需要对所有

04

【深度学习】深度图像检测算法总结与对比

一. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation

04

深度学习目标检测从入门到精通：第一篇

【导读】近日，CV-Tricks.com发布一篇文章，总结了近年来目标检测的各种方法。目标检测可谓是近年来计算机视觉领域热门的研究领域，也具有广阔的应用前景，如自动驾驶等。本文首先系统解释了图像分类和

07

读论文系列：Object Detection ICCV2015 Fast RCNN

Fast RCNN是对RCNN的性能优化版本，在VGG16上，Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍；训练速度是SPP-net的3倍，测试速度是SPP-net的3倍，并且达到了更高的准确率，本文为您解读Fast RCNN。 Overview Fast rcnn直接从单张图的feature map中提取RoI对应的feature map，用卷积神经网络做分类，做bounding box regressor，不需要额外磁盘空间，避免重复计算，速度更快，准确率也更高。 Rela

06

目标检测算法SPP-Net详解

SPP-Net全称Spatial Pyramid Pooling Networks，翻译过来就是空间金字塔池化网络。为什么这里会插进来一个SPP-Net呢？因为SPP-Net对R-CNN的进化有着比较大的影响。主要改进有以下两点：

02

SPPnet 笔记

整体的先后次序：RCNN(CVPR2014)->SPPnet(ECCV2014)->Fast RCNN(ICCV2015)->Faster RCNN(NIPS2015)

03

AI识别工人安全绳佩戴检测算法

AI识别工人安全绳佩戴检测算法基于CNN的目标检测是通过CNN 作为特征提取器对现场图像进行处理和分析，AI识别工人安全绳佩戴检测算法识别出工人是否佩戴安全绳，一旦发现工人未佩戴安全绳，AI识别工人安全绳佩戴检测算法将立即进行告警，并将事件记录下来。并对得到的图像的带有位置属性的特征进行判断，从而产出一个能够圈定出特定目标或者物体（Object）的限定框（Bounding-box，下面简写为bbox）。AI识别工人安全绳佩戴检测算法和low-level任务不同，目标检测需要预测物体类别及其覆盖的范围，因此需关注高阶语义信息。传统的非CNN 的方法也可以实现这个任务，比如Selective Search 或者DPM。在初始的CNN 中，也采用了传统方法生成备选框。

00

【技术综述】一文道尽R-CNN系列目标检测

目标检测任务关注的是图片中特定目标物体的位置。一个检测任务包含两个子任务，其一是输出这一目标的类别信息，属于分类任务。其二是输出目标的具体位置信息，属于定位任务。

01

目标检测算法Fast R-CNN详解

但是由于SPP-Net仍采用SVM训练分类器和边框回归的方式，无法实现端到端的操作。那么Fast RCNN借鉴了SPP-Net算法的思想，改进了这3点：

02

深度学习近期总结分析

希望想认真阅读的你可以听着这首悦耳的歌O(∩_∩)O 一、背景介绍普通的深度学习监督算法主要是用来做分类，如图1(1)所示，分类的目标是要识别出图中所示是一只猫。而在ILSVRC（ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中，还包括目标定位和目标检测等任务。其中目标定位是不仅仅要识别出来是什么物体（即分类），而且还要预测物体的位置，位置一般用边框（bounding box）标记，如图1(2)所示。而目标检测实质是多目标的定位，即要

08

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

[深度学习概念]·深度学习的目标检测技术演进解析

object detection个人理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。

02

目标检测领域笔记一：四种算法入门与优缺对比

RCNN-> SPP net -> Fast RCNN -> Faster RCNN

02

干货 | 深度学习时代的目标检测算法

AI 科技评论按：本文作者 Ronald，首发于作者的知乎专栏「炼丹师备忘录」，AI 科技评论获其授权转发。目前目标检测领域的深度学习方法主要分为两类：two stage 的目标检测算法；one s

07

综述：深度学习时代的目标检测算法

来源：https://zhuanlan.zhihu.com/p/33277354 目前目标检测领域的深度学习方法主要分为两类：two stage的目标检测算法；one stage的目标检测算法。前者是

05

深度学习——目标检测（2）Fast-RCNNFASTER RCNNRCNN网络的演进

前言：RCNN虽然能进行目标检测，但检测的精确度，尤其是速度方面太慢了，没秒才0.03帧。在RCNN基础上做了改进就有了FAST RCNN和FASTER RCNN

02

深度学习系列（五）分割网络模型（DeepLab V1、V2、V3、V3+、PSPNet)

深度学习系列（五）分割网络模型（DeepLab V1、DeepLab V2、PSPNet、DeepLab V3、DeepLab V3+)

03

基于深度学习的目标检测算法综述

摘要：从2014年开始，目标检测取得了巨大的突破。本文针对目前主流的目标检测方法进行简单的介绍，文章分为两个部分：第一部分介绍R Girshick提出的以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第二部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO, SSD); 第三部分介绍一些最新的目标检测算法的进展。一、从Rcnn到Faster-Rcnn 从Rcnn开

深入探究深度卷积语义分割网络和 Deeplab_V3

深度卷积神经网络（DCNN）在各种计算机视觉应用中取得了显着的成功。当然，语义分割的任务也不例外。

02

深度学习时代的目标检测综述

更新算法至2017.12.31 目前目标检测领域的深度学习方法主要分为两类：two stage的目标检测算法；one stage的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经

01

深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN

object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进： RCNN->SppNET->Fast-RCNN->Faster-RCNN 从图像识别的任务说起这里有一个图像任务：既要把图中的物体

06

基于深度学习的图像目标检测（上）

本文介绍了如何从单张图像中预测出多个物体的边界框和类别，并分析了在预测过程中各种因素对结果的影响。同时，文章还对一系列现有方法进行了评估和比较，并提供了改进方向。

09

论文阅读理解 - Pyramid Scene Parsing Network

PSPNet 特点： * 场景标注 Scene parsing * 全局内容信息 global context information * different-regionbased context aggregation * pyramid pooling module * 像素级预测 pixellevel prediction tasks

02

目标检测之R-CNN系列综述

上几期我们讲过目标检测 One-Stage 的代表 YOLOv3 本来这一期是打算写 SSD（One-Stage 的另一个代表）的，发现 SSD 其中涉及的知识是从 R-CNN（Two-Stage）来的，故此。这一期我们就来理理 R-CNN 系列的部分知识点，同样，我们会分为理论、体验和代码实战三期来进行讲解，今天就是理论部分。

01

深度学习目标检测(object detection)系列（二） SPP-Net

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/chaipp0607/article/details/78446708

01

Object Detection系列（二） SPP-Net

本文介绍了Object Detection系列算法中的SPP-Net算法，该算法通过共享卷积层大幅缩短了检测时间，同时保持了较高的准确率。通过空间金字塔池化层，SPP-Net能够对不同尺度的特征图进行池化，从而适应不同尺度的目标物体。在训练过程中，SPP-Net使用多任务损失函数进行训练。在测试过程中，SPP-Net能够同时提取整张图像的卷积特征和目标物体的空间位置信息，从而大幅提高了检测速度。尽管SPP-Net在准确率上相比R-CNN有所降低，但其大幅缩短了检测时间，因此在实际应用中具有更高的效率。

07

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