cnn中关于平均池化和最大池化的理解

最新推荐文章于 2023-08-22 21:01:57 发布
最新推荐文章于 2023-08-22 21:01:57 发布
阅读量3.2k 收藏 1
点赞数
分类专栏： 深度学习宝典
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/jacke121/article/details/94407783
版权
本文介绍了卷积神经网络中的平均池化和最大池化，讨论了它们的作用、目的和误差来源。平均池化保留背景信息，最大池化保留纹理信息。反向传播时，平均池化将梯度均分，而最大池化仅将梯度传递给最大值所在的像素。此外，还提到了Stochastic-pooling作为两者之间的折衷方案。
摘要由CSDN通过智能技术生成

cnn中关于平均池化和最大池化的理解

 

接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。
一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。

 

作用

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）

 

分类

常用的有mean-pooling，max-pooling和Stochastic-pooling三种。

mean-pooling，即对邻域内特征点只求平均，

max-pooling，即对邻域内特征点取最大。

 

根据相关理论，特征提取的误差主要来自两个方面：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
平均池化和最大池化
weixin_47032489的博客
03-09 2378
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，max-pooling和Stochastic-pooling三种。 平均池化 更多保留背景信息 map中所有信息都有用的时候选择avgpool 如分割的时候，用global avgpool来获取全局上下文关系 如224×224图像分类将最后的7×7map进行avgpool而不是maxpool，是因为网络深层的高级语义信息一般来说都
卷积神经网络 - 池化(Pooling)篇
最新发布
绎岚科技的博客
08-03 1439
在深度学习的广阔领域中，卷积神经网络（CNN）以其卓越的特征提取能力，在图像识别、视频处理及自然语言处理等多个领域展现出非凡的潜力。而池化（Pooling）作为CNN中的关键组件之一，扮演着不可或缺的角色。池化层位于连续的卷积层之间，其主要目的是通过降低特征图的维度（即减少数据的空间大小），来减少网络中的参数数量和计算量，同时保留重要特征，有效防止过拟合，并增强模型的空间不变性。简而言之，池化是CNN实现高效学习与泛化能力的重要策略之一。
[cv] 池化（最大池化Maxpool、平均池化Averagepool、随机池化randpool）与反池化
心宝的博客
04-25 1万+
池化的定义比较简单，最直观的作用便是降维，常见的池化有最大池化、平均池化和随机池化。 池化层不需要训练参数。 1、 三种池化：最大池化Maxpool、平均池化Average_pool、随机池化randpool 最大池化是对局部的值取最大；平均池化是对局部的值取平均；随机池化是根据概率对局部的值进行采样，采样结果便是池化结果。概念非常容易理解，其示意图如下所示： 其中随机池化 1/(1+3+4) 4/8 0 3/8得到 2、三种池化的意义 （1）最大池化可以获取局部信息，可以更好保留纹理上的特征。如果不用观
平均池化和最大池化分别适用于什么场景呢？
CharmsLUO的博客
02-04 2万+
平均池化和最大池化适用场景 平均池化和最大池化分别适用于什么场景呢？ 在卷积神经网络中，池化操作主要有两种。其中一个是，最大池化（MaxPooling）；另外一个是平均池化（MeanPooling）。如图2-4所示，池化过程是将输入图像平均划分成若干个矩形区域，最大的池化则是将池化区域的像素点取最大值，这种方式得到的特征图对纹理特征信息更加敏感；平均池化则是对池化区域内的图像取平均值，这种方式得到的特征信息对背景信息更加敏感，例如可以帮助分类。这种机制能够有效的原因在于，在发现一个特征之后，它的精确位置远不
系统学习深度学习（十二）--池化
工作笔记
02-25 1万+
转自：http://blog.csdn.net/danieljianfeng/article/details/42433475 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维度呢？ 因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适
图像处理_python平均池化_python_
10-03
本教程将深入探讨Python中实现平均池化的原理和方法。 首先，我们需要理解平均池化的概念。在卷积神经网络（CNN）中，池化层通常位于卷积层之后，它的目的是减小输入数据的空间尺寸，降低模型复杂度，防止过拟合。...
6. 全连接层与全局平均池化1
08-03
总结，全连接层与全局平均池化都是CNN中用于特征变换和分类的手段，但全局平均池化以其参数效率和防止过拟合的特性，在现代深度学习网络设计中受到越来越多的青睐。在实践中，根据具体任务和数据集的特性，合理选择...
cnn进行三次池化的代码.rar_CNN_localz97_matlab_卷积神经_池化
09-24
在这个例子中，描述中提到的“三次池化”可能指的是在网络中使用了三次池化操作，通常有最大池化（Max Pooling）和平均池化（Average Pooling），它们分别取每个池化窗口内的最大值或平均值作为输出。池化操作有助于...
CNN中卷积层和池化的作用和理解
AnneQiQi的博客
12-17 1万+
承接上文对CNN的介绍[学习笔记P20-CNN]，下面来看看一些细节梳理： CNN框架： 池化层（pooling layer)也叫做子采样层（subsampling layer），其作用是进行特征选择，降低特征数量，并从而减少参数数量。 为什么conv-layer之后需要加pooling_layer? 卷积层【局部连接和权重共享】虽然可以显著减少网络中连接的数量，但特征映射组中的神...
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
阿旭的博客
12-15 4722
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
CNN基础知识——池化（pooling）
qq_50394133的博客
04-04 1万+
概述 池化过程在一般卷积过程后。池化（pooling） 的本质，其实就是采样。Pooling 对于输入的 Feature Map，选择某种方式对其进行降维压缩，以加快运算速度。 两种主要池化方式 最大池化（Max Pooling） 池化过程类似于卷积过程，如上图所示，表示的就是对一个 4X4 feature map邻域内的值，用一个 2X2 的filter，步长为2进行‘扫描’，选择最大值输出到下一层，这叫做 Max Pooling。 max pooling常用的 S=2,f=2 的效果：特征图高度、宽度
深度学习的9种池化方法
whaosoft143ai的博客
05-19 3262
CNN通常使用空间下采样层来缩小特征图，以实现更大的接受场和更少的内存消耗，但对于某些任务而言，这些层可能由于不合适的池化策略而丢失一些重要细节，最终损失模型精度。随机池化只需对特征图中的元素按照其概率值大小随机选择，即元素值大的被选中的概率也大，而不像max-pooling那样，永远只取那个最大值元素，这使得随机池化具有更强的泛化能力。DPP池化允许缩减规模以专注于重要的结构细节，可学习的参数控制着细节的保存量，此外，由于细节保存和规范化相互补充，DPP可以与随机合并方法结合使用，以进一步提高准确率。
全局平均池化_【综述】盘点卷积神经网络中的池化操作
weixin_39791386的博客
12-16 825
公众号关注“Python遇见机器学习”设为“星标”，第一时间知晓最新干货~转自GiantPandaCV池化操作池化操作(Pooling)是CNN中非常常见的一种操作，池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling)，在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减少网络参数的同时还可以防止过拟合现象。主要功能...
什么是全局平均池化，全局最大池化
thequitesunshine007的博客
07-17 1万+
下面举个例子，假如最后的一层的数据是10个6*6的特征图，global average pooling是将每一张特征图计算所有像素点的均值，输出一个数据值。 即对于每一层的6x6=36个像素点，计算这36个像素点的均值（最大值），由于共有10层，所以共得到10个数据。 这样10 个特征图就会输出10个数据点，将这些数据点组成一个1*10的向量的话，就成为一个特征向量，就可以送入到softmax的分类中计算。 ...
卷积神经网络中池化层的详细介绍
a486259的博客
06-20 6803
自从2021年Transformer被引入到视觉模型后，卷积神经网络基本上要末路了，虽然此后也有ConvNeXt、SegNeXt成功挑战过Transformer的地位，但也无力挽回卷积神经网络的大势已去。ConvNeXt使用了一些列的训练技巧（AdamW 优化器、Mixup、Cutmix、RandAugment、Random Erasing等数据增强技）和随机深度和标签平滑等正则化方案，也不过是勉强将 ResNet-50 模型的性能从 76.1% 提高到了 78.8%。
全局平均池化
热门推荐
u012370185的博客
07-12 3万+
全局平均池化是在论文Network in Network中提出的，原文中全局平均池化的作用和优点： 思想：对于输出的每一个通道的特征图的所有像素计算一个平均值，经过全局平均池化之后就得到一个 维度==类别数 的特征向量，然后直接输入到softmax层 作用：代替全连接层，可接受任意尺寸的图像 优点：1）可以更好的将类别与最后一个卷积层的特征图对应起来（每一个通道对应一种...
一图读懂-神经网络14种池化Pooling原理和可视化（MAX，AVE，SUM，MIX，SOFT，ROI，CROW,RMAC ）
toby001111的博客
08-22 9868
一图读懂-神经网络14种池化Pooling原理（MAX，AVE，SUM，MIX，SOFT，ROI，CROW,RMAC ）
深入理解卷积神经网络(CNN)：结构、参数、池化、泛化及应用
5.7 池化方法包括最大池化、平均池化等，可以有效降低特征图的尺寸和参数量。 5.8 卷积通过局部连接和参数共享的方式实现特征提取，可以有效提高模型的泛化能力。 5.9 卷积层和池化层的主要区别在于其功能，卷积层...
评论
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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