谈一谈关于max-pooling和average-pooling选取上的问题

最新推荐文章于 2023-05-26 11:27:23 发布
最新推荐文章于 2023-05-26 11:27:23 发布
阅读量539 收藏 1
点赞数 2
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/weixin_42497252/article/details/102673860
版权

个人感觉max-pooling的效果更好，虽然max-pooling和average-pooling都对数据做了下采样，但是max-pooling感觉更像是做了特征选择，选出了分类辨识度更好的特征。
对于图像的理解，average-pooling会保留图像的背景信息，max-pooling更多的保留纹理信息。
average-pooling更强调对整体特征信息进行一层下采样，在减少参数维度的贡献上更大一点，比如在一个很大很有代表性的模型中，DenseNet中的模块之间的连接大多采用average-pooling，在减少维度的同时，更有利信息传递到下一个模块进行特征提取。

09踏雪飞鸿
关注
卷积神经网络中的池化(Pooling)层
AI天才研究院
07-12 280
随机池化特征图中的元素按照其概率值大小随机选择，数值大的元素被选中的概率也大，它不像最大池化只取最大元素值，因此随机池化具有更强的泛化能力。可以在保持池化层功能的同时尽可能减少池化过程中带来的信息损失，更好地保留信息特征并改善网络的性能。最大池化只选择每个矩形子区域中的最大值，即提取特征图中响应最强烈的部分进入下一层，这种操作能够过滤网络中大量的冗余信息，但也会丢失特征图中的一些细节信息。平均池化选择每个矩形子区域中的平均值，可以提取特征图中所有特征的平均信息，从而保留更多的图像背景信息。
二维小波变换_Wavelet Pooling小波池化的思考
weixin_39625162的博客
11-22 759
本文主要针对Wavelet pooling for convolutional neural networks，ICLR 2018. 简而言之，我认为这篇文章存在一些问题，当然可能是自己理解有误。于是把自己的看法分享出来，希望各位批评指正。论文地址：Wavelet Pooling for Convolutional Neural Networks​openreview.net论文讲了什么？首先，池...
Python-lossexps一个更快更易收敛的新型Pooling层
08-11
loss-exps一个更快、更易收敛的新型Pooling层
Max Pooling和 Average Pooling的区别，使用场景分别是什么？
01-07
池化操作时在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操作，但是近些年比较主流的ImageNet上的分类算法模型都是使用的max-pooling，很少使用average-pooling，这对我们平时设计模型时确实有比较重要的参考作用，但是原因在哪里呢？        pooling作为一个对特征的操作，应该看具体任务。有论文提到，低层的网络对细节特征的响应更高，那么随着对特征的不断处理，高层的网络对抽象特征有更好的响应。pooling作为对特征的处理操作，也应该考虑，pooling前的数据是什么数据，数据代表了什么意义，数据的相关性是怎么样的。假设区分由不同点集构成
Average_Pooling（平均池化）
qq_37535492的博客
10-20 3671
import numpy as np def AveragePooling(image,kernel,step,padding): ''' W`=((W-kernel+2*padding)/step)+1 H`=((H-kernel+2*padding)/step)+1 输入格式： image=(C,W,H) Kernel_size=(C,kern...
数字图像处理100问—07平均池化（Average Pooling）
cv_rsrc的博客
04-26 2477
提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen CV小白从0开始学数字图像处理 06平均池化（Average Pooling） 将图片按照固定大小网格分割，网格内的像素值取网格内所有像素的平均值。我们将这种把图片使用均等大小网格分割，并求网格内代表值的操作称为池化（Pooling）。池化操作是卷积神经网络（Convolutional Neural Network）中重要的图像处理方式。平均池化按照下式定义： v = 1/|R| * Sum.
Spark UDAF实现举例 — average pooling
写代码,是犯罪. 找bug,是破案- -..
02-08 520
目录 1.UDAF定义 2.向量平均(average pooling) 2.1 average的并行化 2.2 代码实现 2.3 使用 参考 转：https://www.wangt.cc/2020/12/spark-udaf%E5%AE%9E%E7%8E%B0%E4%B8%BE%E4%BE%8B-average-pooling/ 1.UDAF定义 spark中的UDF(UserDefinedFunction)大家都不会陌生, UDF其实就是将一个普通的函数, 包装为可以按行操作...
关于Global average Pooling
水不在深有江的博客
07-31 833
看了几个典型网络似乎最后都有这一层Global average Pooling，相关说明转载自 https://blog.csdn.net/williamyi96/article/details/77530995 https://blog.csdn.net/losteng/article/details/51520555...
pool_config_multi.zip_SUM_max pooling_pooling
07-14
在给定的“pool_config_multi.zip”压缩包中，重点讨论了三种不同的池化操作：Sum Pooling、Max Pooling和Average Pooling。这些方法都是神经网络中的关键组件，特别是在卷积神经网络（CNNs）中。 **Max Pooling** ...
遥感影像深度学习中的pooling池化操作（附手写池化代码）
weixin_44441898的博客
06-05 719
池化的方式主要有： 1）一般池化： Max Pooling：最大池化：计算图像区域的平均值作为该区域池化后的值。 Average Pooling：平均池化：选图像区域的最大值作为该区域池化后的值。 下面是池化操作的代码详解(需要安装python和openCV)： img是输入的图片；stride是采样的步长，一般取2；type是池化的方式；img_pooled是最后池化的结果； import numpy as np from PIL import Image import pylab import cv2
max pooling 和 average pooling
stdleohao的博客
10-01 682
采样： pooling 也叫subsample。采样是一个特征选择的过程。 如果不采样，则可能存在： overfitting 参数过多，导致运算量大 无法满足模型结构需求 池化层的特性： 它可以一定程度提高空间不变性（特征相对位置），比如说平移不变性，尺度不变性，形变不变性 特征提取的误差来源： 领域大小受限 卷积层权值参数误差 average pooling 和max-pooling 的主要区别在于： average -pooling能减小第一种误差，更多的保留图像的背景信 max
池化操作average pooling、max pooling、SoftPool、Spatial Pyramid Pooling（SPP）
weixin_42764932的博客
01-12 5525
池化作用 (1) 增大感受野 感受野就是一个像素对应的原来特征图的区域大小，假设最后一层特征图大小不变，在某种卷积setting下，要想看到原来大小为224*224的图像，就需要很多卷积层。而使用pooling也可以达到增大感受野的目的。 (2) 实现不变性 其中不变形性包括，平移不变性、旋转不变性和尺度不变性。由于pooling对特征图进行抽像，获取的是某个区域的特征，而不关心具体位置，这时当原来的特征图发生轻微的变化时，不影响最后的结果。 (3) 容易优化 降维、去除冗余信息、对特征进行压缩、简化网络复
0_2_5-池化层的反向传播-MaxPooling、AveragePooling、GlobalAveragePooling
default
09-11 3567
依赖知识 约定说明 前向传播 Max Pooling和Average Pooling Global Max Pooling和Global Average Pooling 反向传播 Max Pooling Average Pooling Global Max Pooling Global Average Pooling 依赖知识 a) 熟悉全连接层、损失函数的反向传播 ...
卷积神经网络---池化层
weixin_45698190的博客
10-10 3493
在神经网络中，我们经常会看到池化层，常用的池化操作有四种：mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化），池化层有一个很明显的作用：减少特征图大小，也就是可以减少计算量和所需显存。 ***mean-pooling（平均池化）：***即对邻域内特征点只求平均 优缺点：能很好的保留背景，但容易使得图片变模糊 正向传播：邻域内取平均 反向传播：特征值根据领域大小被平均，然后传
Max Pool和Average Pool区别、哪个好
今晚打老虎
03-26 4077
特征提取的误差主要来自两个方面： 邻域大小受限造成的估计值方差增大； 卷积层参数误差造成估计均值的偏移。 Average-Pooling 能减小第一种误差，更多的保留图像的背景信息，强调对整体特征信息进行一层下采样，在减少参数维度的贡献上更大一点，更多的体现在信息的完整传递这个维度上 Max-Pooling 能减小第二种误差，更多的保留纹理信息，Max-Pooling感觉更像是做了...
mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化）的区别简介
修行之路
05-26 1万+
mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化）的区别简介
max pooling
苦逼的程序猿
07-28 3210
max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似 tf.nn.max_pool(value, ksize, strides, padding, name=None) 参数是四个，和卷积很类似： 第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样...
自然语言处理中CNN模型几种常见的Max Pooling操作
热门推荐
张俊林的博客
04-07 7万+
  /* 版权声明：可以任意转载，转载时请标明文章原始出处和作者信息 .*/                                                        author: 张俊林                                    （想更系统地学习深度学习知识？请参考：深度学习枕边书） CNN是目前自然语言处理中和RNN并驾齐驱的两种最...
深度学习中的下采样和上采样都是什么，详细解释
最新发布
09-13
深度学习中的下采样（Downsampling）和上采样（Upsampling）是用于调整输入数据的空间分辨率的技术，主要应用于卷积神经网络（CNN）中。 **下采样**[^1]: - **目的**: 减小特征图尺寸，通常发生在低级层，以捕获图像的全局结构和细节。常见的下采样技术有池化（Pooling），如最大池化（Max Pooling）和平均池化（Average Pooling）。它们通过选取每个区域内的最大或平均值来减少像素数量，保持关键信息的同时降低计算复杂性。 - **示例**: ```markdown pool2d(input, kernel_size, stride=2) ``` 这会将输入特征图按指定窗口大小和步长减半。 **上采样**: - **目的**: 当我们想要恢复原始分辨率时，比如在图像分割任务中，可能需要将低分辨率的预测结果扩展到全尺寸。常用的上采样策略有双线性插值（Bilinear Interpolation）、最近邻插值（Nearest Neighbor）以及跨通道上采样（Transposed Convolution 或 Deconvolution，现在更常用 U-Net 结构中的 UpSampling）。 - **示例**: ```markdown upsample(input, scale_factor=2) ``` 这会将输入特征图放大到原尺寸的两倍。
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