卷积神经网络中的自适应加权池化

摘要

针对卷积神经网络池化过程中的空间信息丢失、对重要特征提取不准确等问题，提出自适应加权池化方法。根据池化窗口大小设置一组可训练的权重参数，将权重参数与每个池化窗口中排序后的特征值加权求和得到池化结果，在网络反向传播过程中通过梯度下降对权重参数进行迭代更新，得到最优权重参数。在Fashion-minist、Cifar10（分别使用浅层卷积神经网络和ResNet18网络结构）、Omniglot数据集上使用不同池化方法进行图像分类的验证实验，结果表明自适应加权池化将测试集的分类准确率分别提升了0.21%、0.43%、0.80%和0.66%。自适应加权池化能使神经网络根据任务类型不同自行选择最优池化策略，相较于常规池化方式在图像分类问题上取得了更高精度。

0 引言

随着卷积神经网络（Convolutional Neural Network，CNN）在计算机视觉领域的广泛应用，各种不同功能的网络结构被融合到CNN