深度学习中的池化详解 | Pooling in Deep learning

最新推荐文章于 2023-05-19 11:31:39 发布
VIP文章 最新推荐文章于 2023-05-19 11:31:39 发布
阅读量7.8k 收藏 40
点赞数 8
分类专栏： 深度学习
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/jucilan3330/article/details/84255249
版权

本文由多篇博客总结整理而成，参考博客见文末，侵删。

 

目录

首先，什么是CNN

什么是Pooling

pooling的定义：

pooling为什么可以降低维度呢？

pooling有哪些操作方式

最大池化 ：

平均池化

max pooling和 mean pooling效果比较

pooling 选择与实际应用

池化在CNN中的作用

其他非一般池化方法

重叠池化

空间金字塔池化: SPP-NET

参考文献

参考博客

  • 首先，什么是CNN

--------------------------------------------------------

卷积神经网络关键在于”卷积”二字, 在通信中, 卷积是对输入信号经过持续的转换, 持续输出另一组信号的过程.

convolution_of_box_signal_with_itself2
图1 FROM wiki

解释上图：通过卷积生成新函数。输入是固定的蓝色方框和红色框，红色框滑动作为滑动窗口，输出的黑线，代表的是滑动窗口与蓝色框的重叠面积。 

------------------------------------------------------------

CNN对输入的处理与上面类似，在输入上利用块单位（n*n）来提取特征，使得高维图片降维。

最低0.47元/天 解锁文章
Min_20
关注
  • 8
    点赞
  • 踩
  • 40
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习入门课程---池化层（Pooling）原理视频教程.mp4
02-07
深度学习入门课程---池化层（Pooling）原理视频教程，希望能够学习者提供帮助，实现对池化层（Pooling）原理基础知识的掌握与理解，为后续学习做好铺垫，实现池化层（Pooling）原理的灵活运用
deep learning convolution and pooling(卷积和池化)
小明知道的专栏
11-17 5437
深度学习，卷积和池化
Deep learning：二十三(Convolution和Pooling练习)
weixin_33950035的博客
04-09 140
  　　前言： 　　本次实验是练习convolution和pooling的使用，更深一层的理解怎样对大的图片采用convolution得到每个特征的输出结果，然后采用pooling方法对这些结果进行计算，使之具有平移不变等特性。实验参考的是斯坦福网页教程：Exercise:Convolution and Pooling。也可以参考前面的博客：Deep learning：十七(Linear De...
卷积神经网络（CNN）学习笔记
huangbo10的专栏
05-03 1万+
起因 从去年开始接触神经网络，觉得CNN结构很简单没什么难的，直到有一天被一位拿过信息竞赛金牌的学弟鄙视了……中期答辩之后不忙，于是我花了几天用MATLAB写了一个CNN，算是给自己一个交代。 为什么用MATLAB？ 相比c/c++，MATLAB实现更方便 我没打算写又快又漂亮的产品级的代码，只是希望抠一遍算法的各种细节，所以theano等各种成熟的工具包就不考虑了
Deep Learning 学习随记（七）Convolution and Pooling --卷积和池化
weixin_30552635的博客
11-09 189
图像大小与参数个数： 前面几章都是针对小图像块处理的，这一章则是针对大图像进行处理的。两者在这的区别还是很明显的，小图像（如8*8，MINIST的28*28）可以采用全连接的方式（即输入层和隐含层直接相连）。但是大图像，这个将会变得很耗时：比如96*96的图像，若采用全连接方式，需要96*96个输入单元，然后如果要训练100个特征，只这一层就需要96*96*100个参数（W,b），训练时间将是前...
Easy Deep Learning——池化层
陈子青的博客
03-10 669
同时，由于池化操作的缩小特征图的空间大小，因此在池化操作之前，可以通过增加卷积层的数量或通道数来提高模型的表达能力，从而保持对目标的识别能力。池化（Pooling）是卷积神经网络中的一种常用操作，其目的是通过减小特征图的空间大小来降低模型的复杂度。在池化操作中，我们将特征图划分为多个子区域，然后对每个子区域进行聚合操作，生成一个较小的特征图。通常，池化操作的聚合操作可以是取最大值（Max Pooling）、取平均值（Average Pooling）等，其中最大值池化是最常用的一种。以下是python代码。
【深度学习】池化 (pooling)
JNing
12-18 8889
【深度学习】池化 (pooling)
深度学习的9种池化方法
whaosoft143ai的博客
05-19 1790
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。
深度学习--池化
qq_45875106的博客
07-28 3516
文章目录前言一、最大池化二、平均池化池化的作用 前言 池化层是卷积神经网络中常用的一个组件，池化层经常用在卷积层后边，通过池化来降低卷积层输出的特征向量，避免出现过拟合的情况。池化的基本思想就是对不同位置的特征进行聚合统计。池化层主要是模仿人的视觉系统对数据进行降维，用更高层次的特征表示图像。池化层一般没有参数，所以反向传播的时候，只需对输入参数求导，不需要进行权值更新。比较常用的池化层主要有最大池化与平均池化。 一、最大池化 最大池化就是选取图像区域中的最大值作为该区域池化后的值。在前向传播过程中，
深度学习8.池化的概念
编程圈子-谢厂节的博客
03-15 1076
池化 (Pooling) 用来降低卷积神经网络（CNN）或循环神经网络（RNN）中的特征图（Feature Map）的维度。在卷积神经网络中，池化操作通常紧跟在卷积操作之后，用于降低特征图的空间大小。池化操作的基本思想是将特征图划分为若干个子区域（一般为矩形），并对每个子区域进行统计汇总。池化操作的方式可以有很多种，比如最大池化（Max Pooling）、平均池化（Average Pooling）等。其中，最大池化操作会选取每个子区域内的最大值作为输出，而平均池化操作则会计算每个子区域内的平均值作为输出。
系统学习深度学习（十二）--池化
热门推荐
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
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
05-21
Existing deep convolutional neural networks (CNNs) require a fixed-size (e.g., 224224) input image. This requirement is “artificial” and may reduce the recognition accuracy for the images or sub-...
PyTorch的自适应池化Adaptive Pooling实例
12-23
自适应池化Adaptive Pooling是PyTorch含有的一种池化层，在PyTorch的中有六种形式： 自适应最大池化Adaptive Max Pooling： torch.nn.AdaptiveMaxPool1d(output_size) torch.nn.AdaptiveMaxPool2d(output_size) ...
Spatial Pyramid Pooling in Deep Convolutional Networks for Visua
01-25
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
Deep Learning for Beginners
04-12
Chapter 3 presents the backpropagation algorithm, which is an important and representative learning rule of the neural network and also employed in Deep Learning. This chapter explains how cost ...
【论文系列】光流/ LK光流/ FlowNet/ FlowNet2
Min220的博客
11-21 8002
今天重点介绍光流 首先介绍光流的idea inspiration，传统光流的估计方法，再介绍用CNN解决光流的思路--FlowNet以及FlowNet2（个人认为只是利用stack方式堆叠FlowNetS和FlowNetC，其中更出彩的可能在数据集与更适应的数据训练方法，当然，精度和速度的效果也更为出色，解决了小displacement的估计）。Let's START! 光流 第一次读光流的...
【论文系列】Long-term Visual Localization using Semantically Segmented Images--语义位置识别/ICRA2018
Min220的博客
09-13 3286
未经允许，不得转载 读Long-term Visual Localization using Semantically Segmented Images (语义位置识别) 这一篇是发表于ICRA2018的一篇文章，结合深度学习去解决SLAM中位置识别的问题，主要是针对长时间运行的、跨季节的、光照变化显著条件下运行的SLAM系统，由于传统描述子在这些条件下的表达或匹配不鲁棒而不能准确定位的问题。...
源码实践指南——相机重定位Learning Less is More – 6D Camera Localization via 3D Surface论文的环境配置+代码运行
Min220的博客
11-28 960
首先，这篇文章还挺有意思的，Learning Less is More – 6D Camera Localization via 3D Surface Regression，过几天会整理一下论文笔记，作者放出了源码和训练好的模型，当然就忍不住赶紧上手一下啦，不过他的深度学习也是c++写的，torch+lua，安装的时候不免出各种意外...尤其是本人是在服务器上运行的，实验室服务器上用户很多，...
双线性池化_双线性池化（Bilinear Pooling）详解、改进及应用
最新发布
06-01
在计算机视觉领域，双线性池化被广泛应用于图像分类、目标检测和姿态估计等任务中。 双线性池化的思想是将两个特征图进行外积，然后对外积结果进行池化。具体来说，假设我们有两个特征图A和B，它们的大小分别为m×n...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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