现阶段大家在分割网络或者其他网络中对于maxpooling 的使用越来越少了，大家都开始都使用步长为2的卷积了。这个问题一开始我也没有在意，我一开始在进行分割时还是使用了maxpooling的方法，然后在后面使用resnet50等作为新的backbone的时候，我才发现大家现在maxpooling 越来越少了。然后我调研了一下，发现也有人研究过这个问题了。然后我看到这篇文章
CNN真的需要下采样（上采样）吗? 这里对这个问题进行了分析。
这篇文章最后的结论是这样：从工程的角度看，采样能极大减小feature map的尺寸，从而大大降低计算量，但这个实验表明，采样对提高cnn的性能并没有帮助，max pooling有抑制噪声的作用，所以有用，但max pooling可以用不下采样的方式实现，这和经典的中值滤波类似。这也说明，cnn的每一层卷积都在编码空间相关性，浅层特征编码短距离相关性，更深的卷积层编码更远距离的空间相关性，而到了某一层，再也没有统计意义上的空间相关性了（这取决于有意义的物体在图像中的尺寸），到这一层就可以用GAP聚合空间特征了