SPM——Spatial Pyramid Matching
本文主要介绍：SPM（空间金字塔匹配）的基本原理和计算方法。
1 基本介绍
SPM 全称是Spatial Pyramid Matching，出现的背景是bag of visual words模型被大量地用在了图像表示（Image representation）中，但是BOVW模型完全缺失了特征点的位置信息。SPM考虑空间信息，将图像分成若干块(sub-regions)，分别统计每一子块的特征，最后将所有块的特征拼接起来，形成完整的特征，这就是SPM中的Spatial。在分块的细节上，采用了一种多尺度的分块方法，即分块的粒度越大越细(increasingly fine)，呈现出一种层次金字塔的结构，这就是SPM中的Pyramid。
如下图，对图像采用不同的尺度进行分块，得到不同尺度的图像，不同尺度构成层次关系：
上图中，不同的点可以看作不同的特征，每层中，点的个数，可以理解为该关键点或区域特征在该层次图像出现的频率，统计每个特征在不同层次图像中分布情况，可以得到每个特征的金字塔：
从level 2 到level 0类似The Pyramid Match Kernel中，直方图取不同间隔，即把level 2看做间隔为1，有16个bin，level 1间隔为2，得到4个bin....因此，对于两幅图像，用相同的尺度划分层次，并统计每个层次中每个cells中某特征出现的次数，得到该特征下的金字塔。
2 计算方法
可以用和The Pyramid Match Kernel相似的方法计算两个图形在该特征下的匹配程度（也可理解为相似度）。匹配方法如下：
每个层次的匹配点数：
说明：
1. SPM介绍了两幅图像匹配的方法。如要用于场景分类，上式就等于M(L+1)个直方图相交运算的和，其实也就等于一个更大的向量直接进行直方图相交运算而已。而这个向量，就等于每个被划分的图像子区域上的visual words直方图连在一起。这个特征，就是用来分类的特征。
2. 作者在实验中表明，不同L下，M从200取到400对分类性能影响不大，也就是降低了码书的大小对分类效果的影响。
3. 这个方法可以作为一个模板，每个分块图像（sub-region）中统计的直方图可以多种多样，简单的如颜色直方图，也可以用HOG，这就形成了PHOG（分层梯度直方图）。
4. 只不过这种空间分类信息仍然有局限性-----一幅相同的图像旋转90度，匹配的结果就不会太高了。所以模型隐含的假设就是图像都是正着存储的（人都是站立的，树都是站立的.......）。Spatial BOW （Spatial-bag-of-features[C]）好像可以解决这个问题。
5. 另外空间Pyramid的分块方法也没有考虑图像中目标的完整性（仅仅是利用SIFT特征来描述了Object），即，在对图像分块时，可能会把一个目标分在不同块中。
理论原文：Beyond Bags of Features: Spatial Pyramid Matching for Recognizing Natural Scene Categories
SPM——Spatial Pyramid Matching相关推荐
- 空间金字塔匹配Spatial Pyramid Matching 小结
稀疏编码系列: (一)----Spatial Pyramid 小结 (二)----图像的稀疏表示--ScSPM和LLC的总结 (三)----理解sparse coding (四)----稀疏模型与结构 ...
- Spatial Pyramid Matching
稀疏编码系列: (一)----Spatial Pyramid 小结 (二)----图像的稀疏表示--ScSPM和LLC的总结 (三)----理解sparse coding (四)----稀疏模型与结构 ...
- Spatial Pyramid Matching 小结
稀疏编码系列: (一)----Spatial Pyramid 小结 (二)----图像的稀疏表示--ScSPM和LLC的总结 (三)----理解sparse coding (四)----稀疏模型与结构 ...
- 空间金字塔Spatial Pyramid的BOW和Pyramid HOG的多核
经过我的实验,发现在基于模板法的object detection或者classification中,将Pyramid Histogram of Oriented Gradients (PHOG)和Sp ...
- 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 ...
- 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 ...
- 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 ...
最新文章
- Sharepoint学习笔记 –架构系列—09 Sharepoint的服务器端对象模型(Server Object Model) 1.物理对象层次结构
- 【51nod - 1050】循环数组最大子段和（dp）
- C++ vector用法
- centos安装最新版的docker-ce（二进制安装）
- IBM MQ 使用指南
- opboot怎么刷入固件_没有固件可刷的路由器，那就开个 SSH 折腾一下
- twrp两种方式刷入的mm管理器_Google Pixel C 刷入Magisk
- fiddler抓包后Jmeter实现登录接口
- 如何设置sap生产订单自动关闭
- WIN7镜像中增加USB3.0驱动和语言包
- matlab 计算 Lorenz 系统最大李雅普诺夫指数
- Delphi2010及注册码下载地址
- C++--最大公约数和最小公倍数
- Javascript和C#正则只保留英文、数字、汉语、空格
- Vue 轻量级后台管理系统基础模板
- Gitbub认证及代码提交
- r5 7600x和r7 7700x差距
- mysql面试题总结
- VS Code插件Code Runner使用python虚拟环境
- 程序人生-hello`s P2P