深度学习基础知识点池化

目的

• 在语义上把相似的特征合并起来
• 选出重要特征
• 增加模型的鲁棒性

特性

• 保证了图像的平移不变性，使得模型不受位置变化的影响；
• 池化操作使网络拥有更大的感受野，从而能够接受更大的输入。感受野的增大，将允许网络在更深层学习到更加抽象的特征表征；

池化层输出尺寸计算公式

• 输入张量的尺寸 ${ W } _ { 1 }\times { H } _ { 1 }\times { D } _ { 1 }$
• 两个超参数
• 空间大小 $F$
• 步长 $S$
• 输出张量的尺寸 ${ W } _ { 2 }\times { H } _ { 2 }\times { D } _ { 2 }$

池化方式

• 平均池化($Mean Pooling$)
  • 操作方式：对邻域内特征点求取平均值
  • 目的：综合考虑周围像素的特征
  • 优点：对背景保留更好
• 最大池化($Max Pooling$)
  • 操作方式：对邻域内特征点取最大值
  • 目的：获取相邻像素间最重要的特征信息，避免模型学习到一些无关紧要的特征
  • 优点：对纹理提取更好
• 重叠池化($Overlapping \ Pooling$)
  • 重叠池化的相邻池化窗口之间会有重叠区域
• 空间金字塔池化($Spatial \ Pyramid \ Pooling$)
  • 空间金字塔池化拓展了卷积神经网络的实用性，使它能够以任意尺寸的图片作为输入

池化过程

pooling