池化分类、作用简单总结

池化分类

平均池化：对邻域内特征点求平均

• 正向传播：邻域内取平均
• 反向传递：梯度根据邻域大小被平均，然后传递给索引位置

参考链接：平均池化
最大池化：对邻域内特征点求最大值

• 正向传播：邻域内求最大值，并记住索引位置，用于反向传播
• 反向传播：梯度传播到邻域内最大值的索引位置，其他位置补0

参考链接：最大池化
全局平均池化：特征图全局平均一下输出一个值，常与全连接层做对比

全局自适应池化：自适应池化Adaptive Pooling会根据输入的参数来控制输出output_size，而标准的Max/AvgPooling是通过kernel_size，stride与padding来计算output_size
参考链接：全局自适应池化

金字塔池化：

对于一个通道数为C的feature map，一取全局最大值，得到一个1xC的张量，二将feature map分割成4块，在每一块上进行最大池化，得到一个4xC 的张量，三将feature map分成16 块，在每块上进行最大池化，得到一个16xC 的张量，将这三个张量拼接起来，得到一个大小为21xC的张量。对于任意大小的feature map经过这些操作都可以得到固定大小的张量

ROI池化：感兴趣区域池化，下图理解其实现过程，对感兴趣区域划分2x2的部分，对每一部分取最大值即可实现池化

参考链接：ROI池化

重叠池化：一般而言，池化的窗口大小等于步长，因此池化作用区域不存在重合部分。所谓重叠池化，即池化窗口大小大于步长，池化作用区域存在重合部分
源自：CV技术指南公众号

随机池化：邻域中的元素按其概率值随机选择，元素值大的选中的概率也大，反之选中概率小(概率通过数值归一化得到)

双线性池化：bilinear pooling主要用于特征融合，对于从同一个样本提取出来的特征x和特征y，通过bilinear pooling得到两个特征融合后的向量，进而用来分类。
参考链接：双线性池化

池化作用

1. 抑制噪声，降低信息冗余
2. 提升模型的尺度不变性，旋转不变性
3. 降低模型计算量
4. 防止过拟合

第二点理解参考：池化提升模型尺度不变性、旋转不变性
最大池化作用：保留主要特征，突出前景(一般前景的深度比背景深)，提取特征的纹理信息
平均池化作用：保留背景信息，突出背景

参考地址：CV技术指南公众号