PPM-Pyramid pooling module

Pyramid pooling 方法出自 2017CVPR,原文地址https://arxiv.org/pdf/1612.01105.pdf
一、PPM的结构

原文中采用4种不同金字塔尺度，金字塔池化模块的层数和每层的size是可以修改的。论文中金字塔池化模块是4层，每层的size分别是1×1,2×2,3×3,6×6。

首先，对特征图分别池化到目标size，然后对池化后的结果进行1×1卷积将channel减少到原来的1/N,这里N就为4。接着，对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的size，然后将原特征图和上采样得到的特征图按channel维进行concatenate。得到的channel是原特征图的channel的两倍，最后再用1×1卷积将channel缩小到原来的channel。最终的特征图和原来的特征图size和channel是一样的。
二、PPM代码

class conv2DBatchNormRelu(nn.Module):def __init__(self, in_channels, n_filters, k_size,  stride, padding, bias=True, dilation=1):super(conv2DBatchNormRelu, self).__init__()if dilation > 1:conv_mod = nn.Conv2d(int(in_channels), int(n_filters), kernel_size=k_size, padding=padding, stride=stride, bias=bias, dilation=dilation)else:conv_mod = nn.Conv2d(int(in_channels), int(n_filters), kernel_size=k_size, padding=padding, stride=stride, bias=bias, dilation=1)self.cbr_unit = nn.Sequential(conv_mod,nn.BatchNorm2d(int(n_filters)),nn.ReLU(inplace=True),)def forward(self, inputs):outputs = self.cbr_unit(inputs)return outputsclass pyramidPooling(nn.Module):def __init__(self, in_channels, pool_sizes):super(pyramidPooling, self).__init__()self.paths = []for i in range(len(pool_sizes)):self.paths.append(conv2DBatchNormRelu(in_channels, int(in_channels / len(pool_sizes)), 1, 1, 0, bias=False))self.path_module_list = nn.ModuleList(self.paths)self.pool_sizes = pool_sizesdef forward(self, x):output_slices = [x]h, w = x.shape[2:]for module, pool_size in zip(self.path_module_list, self.pool_sizes): out = F.avg_pool2d(x, int(h/pool_size), int(h/pool_size), 0)out = module(out)out = F.upsample(out, size=(h,w), mode='bilinear')output_slices.append(out)return torch.cat(output_slices, dim=1)

我们可以通过下列代码进行引入：

self.pyramid_pooling = pyramidPooling(2048, [6, 3, 2, 1])

PPM-Pyramid pooling module相关推荐

Pyramid pooling module
Pyramid pooling 方法出自 2017CVPR,原文地址https://arxiv.org/pdf/1612.01105.pdf 该文的一大贡献就是Pyramid pooling modu ...
金字塔池化模型PPM-Pyramid pooling module
总结:ppm是以一种特殊的池化模型.通过由多到少的池化,可以有效增大感受野,增大全局信息的利用效率. 原文链接:https://blog.csdn.net/wd18508423052/article/ ...
空间金字塔池化(Spatial Pyramid Pooling, SPP)原理和代码实现(Pytorch)
想直接看公式的可跳至第三节 3.公式修正一.为什么需要SPP 首先需要知道为什么会需要SPP. 我们都知道卷积神经网络(CNN)由卷积层和全连接层组成,其中卷积层对于输入数据的大小并没有要求,唯一对 ...
Paper8：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 还未读
[SPP-NET]Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655 作者:hjimce 一.相关理论本篇博文 ...
Spatial Pyramid Pooling（空间金字塔池化）-变尺度CNN训练
1. 需求创造好的产品,产品拓宽原始的需求当前的深度神经网络一般都需要固定的输入图像尺寸(如224*224). 这种需求很明显是人为的,潜在性的弊端会降低识别精度(为了使图像尺寸相同,一定会涉及到图 ...
目标检测--Spatial pyramid pooling in deep convolutional networks for visual recognition(PAMI, 2015)
Spatial pyramid pooling in deep convolutional networks for visual recognition 作者: Kaiming He, Xiangy ...
语义分割——Spatial Pyramid Pooling (SPP)的作用
1 前言我们在DeepLabV3+中学习到了ASPP算法,ASPP就是使用了膨胀卷积的Spatial Pyramid Pooling (SPP)- 2 SPP的作用 --多尺度特征融合: --将不同 ...
SPP（Spatial Pyramid Pooling）解读
1.为什么会出现SPP结构,其作用是什么? 通过Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognitio ...

PPM-Pyramid pooling module

PPM-Pyramid pooling module相关推荐

最新文章

热门文章