Kas ir spatial pyramid pooling?

Telpiskās piramīdas baseināšana (SPP) ir tehnika datorredzes jomā, kas ļauj izvilkt fiksēta izmēra raksturlielumus no ievades attēliem, kas ir dažādu izmēru, bez nepieciešamības tos iepriekš mērogot.

Ideja ir tāda, ka vietā, lai izmantotu vienkāršu globālo baseināšanu (piemēram, max pooling), tiek piemērota hierarhija ar dažāda izmēra logiem, sadalot attēlu vairākos līmeņos (piramīdā), piemēram, 1x1, 2x2, 4x4 utt. Katrā līmenī tiek ņemti maksimālie vērtības attiecīgajās reģionos, un visi rezultāti tiek apvienoti vienā fiksēta garuma vektorā.

Tas ļauj neironu tīkliem strādāt ar attēliem jebkura izmēra, saglabājot telpisko informāciju dažādos mērogos.

Piemērs: ja jums ir attēls, jūs to varat sadalīt 4 kvadrātos (2x2), ņemt maksimālo katrā, tad 16 kvadrātos (4x4) un tā tālāk, un apvienot visas šīs vērtības vienā vektorā.

SPP bieži tiek izmantots CNN arhitektūrās, lai uzlabotu elastību un atpazīšanas kvalitāti.