問題引入
卷積神經網絡的中經常用到池化這麼一個操作,那麼池化操作有哪些方法呢?
問題解答
池化操作通常也叫做子採樣(Subsampling)或降採樣(Downsampling),在構建卷積神經網絡時,往往會用在卷積層之後,通過池化來降低卷積層輸出的特徵維度,有效減少網絡參數的同時還可以防止過擬合現象。池化操作可以降低圖像維度的原因,本質上是因爲圖像具有一種“靜態性”的屬性,這個意思是說在一個圖像區域有用的特徵極有可能在另一個區域同樣有用。因此,爲了描述一個大的圖像,很直觀的想法就是對不同位置的特徵進行聚合統計。例如,可以計算圖像在固定區域上特徵的平均值 (或最大值)來代表這個區域的特徵。
SPPNet就引入了空間池化的組合,對不同輸出尺度採用不同的滑窗大小和步長以確保輸出尺度相同,同時用如金字塔式疊加的多種池化尺度組合,以提取更加豐富的圖像特徵。常用於多尺度訓練和目標檢測中的區域提議網絡(Region Proposal Network)的興趣區域(Region of Interest)提取
參考:
[1] https://www.zhihu.com/question/49376084
喜歡就關注一下啦~~~