卷积神经网络中的池化(Pooling)层

卷积神经网络中的池化(Pooling)层

Pooling Layers.

池化(pooling)是卷积神经网络中的重要组成部分。通过池化可以对特征图(feature map)进行降采样，从而减小网络的模型参数量和计算成本，也在一定程度上降低过拟合的风险。池化的作用包括：

1. 通过降采样增大网络的感受野
2. 通过信息提取抑制噪声，进行特征选择，降低信息的冗余
3. 通过减小特征图的尺寸降低模型计算量，降低网络优化难度，减少过拟合的风险
4. 使模型对输入图像中的特征位置变化(变形、扭曲、平移)更加鲁棒

本文介绍卷积神经网络中的池化方法，包括：

• 通用的池化方法

1. Max Pooling 最大池化
2. Average Pooling 平均池化
3. Mix Pooling 混合池化
4. Fractional Max-Pooling 分数最大池化
5. Power Average Pooling 幂平均池化
6. Stochastic Pooling 随机池化
7. Stochastic Spatial Sampling Pooling (S3Pool) 随机空间采样池化
8. Detail-Preserving Pooling (DPP) 细节保留池化
9. Local Importance Pooling (LIP)