卷积神经网络中的池化操作

常用的池化操作主要针对非重叠区域，包括均值池化、最大池化等。其中均值池化通过对邻域内特征数值求平均来实现，能够抑制由于邻域大小受限造成估计值方差增大的现象，特点是对背景的保留效果更好。最大池化则通过取邻域内特征的最大值来实现，能够抑制网络参数误差造成估计均值偏移的现象，特点是更好地提取纹理信息。池化操作的本质是降采样。

特殊的池化方式还包括对相邻重叠区域的池化、空间金字塔池化。 相邻重叠区域的池化，顾名思义，是采用比窗口宽度更小的步长，使得窗口在每次滑动时存在重叠的区域。空间金字塔池化主要考虑了多尺度信息的描述，例如 同时计算1×1、2×2、4×4的矩阵的池化并将结果拼接在一起作为下一网络层的输入。

池化操作除了能显著降低参数量外，还能够保持对平移、伸缩等操作的不变性。平移不变性是指输出结果对输入的小量平移基本保持不变。例如，输入 为（1,5,3），最大池化将会取5，如果将输入右移一位得到（0,1,5），输出的结果 仍将为5。对伸缩的不变性（一般称为尺度不变性）可以这样理解，如果原先神经元在最大池化操作之后输出5，那么在经过伸缩（尺度变换）之后，最大池化操作 在该神经元上很大概率的输出仍然是5。因为神经元感受的是邻域输入的最大值， 而并非某一个确定的值。

欢迎关注微信公众号（算法工程师面试那些事儿)，本公众号聚焦于算法工程师面试，期待和大家一起刷leecode，刷机器学习、深度学习面试题等，共勉～

标签：重叠,卷积,邻域,神经网络,池化,不变性,操作,输入
来源： https://blog.csdn.net/qq_40006058/article/details/122208554