池化方法(1)：General / Mean / Max / Stochastic / Overlapping / Global Pooling

最新推荐文章于 2025-04-19 23:19:35 发布
最新推荐文章于 2025-04-19 23:19:35 发布
阅读量3k 收藏 5
点赞数 1
分类专栏： 阅读笔记 文章标签： General Pooling Average Pooling Max Pooling Stochastic Pooling Overlapping Pooling
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/clover_my/article/details/90666386
版权

池化方法(1)：General / Mean / Max / Stochastic / Overlapping / Global Pooling

 

CNN网络中常见结构是：卷积、池化和激活。卷积层是CNN网络的核心，激活函数帮助网络获得非线性特征，而池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。深度网络越往后面越能捕捉到物体的语义信息，这种语义信息是建立在较大的感受野基础上。

 

1、一般池化(General Pooling)

池化作用于图像中不重合的区域（与卷积操作不同），定义池化窗口的大小为sizeX，即图中红色正方形的边长，定义两个相邻池化窗口的水平位移 / 竖直位移为stride。一般池化由于每一池化窗口都是不重复的，所以sizeX=stride。

池化方法总结（Pooling）

 

2、均值池化(Mean / Average Pooling)

一般池化的基础上，

最低0.47元/天 解锁文章
有哪些池化方法
CSDN 精品推荐
08-08 1140
池化（Pooling）是卷积神经网络（CNN）中常用的操作，用于减小特征图的尺寸、降低计算量，并保留重要的特征信息。池化操作的主要目标是减小特征图的尺寸，从而降低计算量和内存需求，并且有助于提取最显著的特征。在设计模型时，选择适当的池化方法和池化窗口大小对于实现好的性能和特征提取至关重要。最大池化在每个池化窗口中选择最大的特征值作为输出。不同的池化方法具有各自的优点和缺点，这些因素需要根据具体任务和模型设计的要求来进行选择。自适应池化允许指定池化后的特征图尺寸，而不需要事先指定池化窗口的大小。
CVPR 2019 论文汇总（按方向进行论文划分）
鬼刀
05-28 3万+
cvpr2019 accepted papers title（官方分类，需科学前往） Github论文汇总链接（欢迎star) 论文PDF下载（更新中，提取码：osvy） 论文解读汇总 目录：(也欢迎大家推荐自己的CVPR2019文章，以下篇幅较大，分类如有错误欢迎留言指出和补充谢谢~） 检测38分割50分类、识别19跟踪20人脸12人体姿态估计/手...
池化的几种方法 学习笔记 (附代码)
PLANTTHESON的博客
10-10 1万+
池化的几种方法 学习笔记 (附代码)
平均池化（Average Pooling）
最新发布
weixin_71288092的博客
04-19 1251
​​平均池化​​是一种下采样操作，通过对输入区域的数值取​​平均值​​来压缩数据空间维度。
池化方法总结（Pooling）
akon_wong_hkbu的博客
10-26 2814
在看Imagenet classification with deep convolutional neural networks的时候看到重叠pooling http://blog.csdn.net/mao_kun/article/details/50507376?readlog
池化方法总结（Pooling） 和卷积 。 第三部分讲的很好
kebu12345678的博客
02-08 5万+
池化方法总结（Pooling） 2016-01-12 22:55 5033人阅读 评论(2) 收藏 举报  分类： deep learning（18）  目录(?)[+] 在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 为什么可以通过降低
池化(Pooling)的种类与具体用法——基于Pytorch
weixin_60737527的博客
09-27 2万+
池化的种类、原理与基于Pytorch的具体用法
总结所有的池化(Pooling)方法
大脸猫的博客
06-29 1万+
为什么池化？ 池化（Pooling）层和卷积层、全连接层一样，都是卷积神经网络的组成部分。 卷积神经网络中的卷积层会将卷积Filter应用于输入图像，以便创建特征映射来总结输入中这些特征的存在。 卷积层被证明是非常有效的，在深层模型中叠加卷积层可以让接近输入的层学习低层特征（如线条），在模型中更深（高）的层用于学习高阶或者更抽象的特征，如形状或特定对象。 卷积层特征映射输入的一个局限性是它们只能精确记录特征在输入层的位置。这意味着在输入图像中特征位置的小幅移动将导致不同的特征映射。这可以随着重新裁剪
卷积神经网络及其特征图可视化
简简单单
02-27 2021
参考链接：https://www.jianshu.com/p/362b637e2242 参考链接：https://blog.csdn.net/dcrmg/article/details/81255498/ 参考链接：https://zhuanlan.zhihu.com/p/59917842 参考链接：https://www.jb51.net/article/171016.htm 一、卷积与...
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
池化分类、作用简单总结
weixin_44605171的博客
09-15 4159
池化分类 平均池化：对邻域内特征点求平均 正向传播：邻域内取平均 反向传递：梯度根据邻域大小被平均，然后传递给索引位置 参考链接：平均池化 最大池化：对邻域内特征点求最大值 正向传播：邻域内求最大值，并记住索引位置，用于反向传播 反向传播：梯度传播到邻域内最大值的索引位置，其他位置补0 参考链接：最大池化 全局平均池化：特征图全局平均一下输出一个值，常与全连接层做对比 全局自适应池化：自适应池化Adaptive Pooling会根据输入的参数来控制输出output_size，而标准的Max/AvgP
池化（Pooling）
weixin_49346755的博客
10-24 1万+
在图像处理中，由于图像中存在较多冗余信息，可用某一区域子块的统计信息（如最大值或均值等）来刻画该区域中所有像素点呈现的空间分布模式，以替代区域子块中所有像素点取值，这就是卷积神经网络中池化(pooling)操作。池化操作对卷积结果特征图进行约减，实现了下采样，同时保留了特征图中主要信息。比如：当识别一张图像是否是人脸时，我们需要知道人脸左边有一只眼睛，右边也有一只眼睛，而不需要知道眼睛的精确位置，这时候通过池化某一片区域的像素点来得到总体统计特征会显得很有用。
深度学习中的各种池化方法
m0_61899108的博客
03-25 1227
卷积神经网络(Convolution Neural Network, CNN)因其强大的特征提取能力而被广泛地应用到计算机视觉的各个领域，其中卷积层和池化层是组成CNN的两个主要部件。理论上来说，网络可以在不对原始输入图像执行降采样的操作，通过堆叠多个的卷积层来构建深度神经网络，如此一来便可以在保留更多空间细节信息的同时提取到更具有判别力的抽象特征。然而，考虑到计算机的算力瓶颈，通常都会引入池化层，来进一步地降低网络整体的计算代价，这是引入池化层最根本的目的。
CNN的池化分类
qq_31908897的博客
05-27 1470
池化层（Pooling）:对filter的特征进行降维操作，形成最终特征。 分类 1、Max Pooling Over Time操作 MaxPooling Over Time是NLP中CNN模型中最常见的一种下采样操作。 意思是对于某个Filter抽取到若干特征值，只取其中得分最大的那个值作为Pooling层保留值，其它特征值全部抛弃，值最大代表只保留这些特征中最强的，而抛弃其它弱的此类特征。 ...
简述平均池化和最大池化
热门推荐
u014516389的博客
05-25 5万+
链接：https://www.zhihu.com/question/23437871/answer/24696910 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 pooling的结果是使得特征减少，参数减少，但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性（旋转、平移、伸缩等），常用的有mean-pooling，ma
池化的概念以及分类对比
Doyle_的博客
01-21 1970
**池化：**pollingpolling是在不同通道上分开执行的，池化的操作是不改变通道数的，并且不需要参数的控制。 它根据窗口的大小进行操作，一般分为最大池化和平均池化。 池化层的作用： 1.下采样 2.降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗等等。各种说辞吧，总的理解就是减少参数量。 3.实现非线性 4.扩大感受野 5.实现不变形（平移不变性、旋转不变性和尺度不变性） 池化主要有哪几种： 1.Max Polling（最大池化）：选图像区域的最大值作为该区域池化后的值
深度学习的9种池化方法
weixin_36514781的博客
08-08 413
对于池化操作，大部分人想到的可能就是Max_Pooling和Average_Pooling，但实际上卷积神经网络的池化方法还有很多，本文对业界目前所出现的一些池化方法进行了归纳总结。卷积神经网络(Convolution Neural Network, CNN)因其强大的特征提取能力而被广泛地应用到计算机视觉的各个领域，其中...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值