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