深度篇—— CNN 卷积神经网络(二) 细说 池化(pooling) 与 反池化(unpooling)

 

返回主目录

返回 CNN 卷积神经网络目录

上一章：深度篇—— CNN 卷积神经网络(一) 细说 cnn 卷积神经网络

下一章：深度篇—— CNN 卷积神经网络(三) 关于 ROI pooling 和 ROI Align 与 插值

 

 

本小节，细说 池化 与 反池化，下一小节细说 关于 ROI 与 插值

 

二. 池化层 (pooling layer)

 

1. 池化

(1). 池化层的目的是通过对输入图像进行二次采样以减少计算负载、内存利用率和参数数量(从而降低过拟合的风险)。减小输入图像的大小同样可以使神经网络容忍一定的图像移位(位置不变性)。池化采样法是一个高效的降维采样法。

(2). 池化层的神经元与卷积层的神经元类似，都是连接到上一层输出特征面，只是在池化层是通过池化核 (kernel) 来局部连接。同样，也必须定义池化核 (kernel) 的大小，步幅和填充类型。但是，池化神经元没有权重，它做的所有事情就是使用聚合函数 (比如 max 或 mean) 聚合输出

(3). 池化层可对提取到的