随机采样池化--S3Pool: Pooling with Stochastic Spatial Sampling
S3Pool: Pooling with Stochastic Spatial Sampling
CVPR2017
https://github.com/Shuangfei/s3pool
本文将常规池化看作两个步骤:
1)以步长为1在特征图上滑动池化窗口,尺寸大小基本保持不变, leaves the spatial resolution intact
2)以一种 uniform 和 deterministic 的方式进行降采样
我们认为这种 uniform 和 deterministic 的降采样方式 对于学习来说不是最优的( which aims for generalization to unseen examples ),对此我们提出一种随机采样方式,这种随机采样 像一个 strong regularizer,可以被看作 implicit data augmentation by introducing distortions in the feature maps
Stochastic pooling 可以看作在一个池化窗口内 对特征图数值进行归一化, 按照特征图归一化后的 概率值大小随机采样选择,即元素值大的被选中的概率也大
g being a hyperparameter named grid size
通过改变 grid size g 来控制 distortion/stochasticity
测试用的网络结构
NIN on CIFAR-10 and CIFAR-100
ResNet on CIFAR-10 and CIFAR-100
Effect of grid size
通过增加grid size 尺寸,训练误差变大,对应更多的随机性。测试误差先降低( stronger regularization),后来升高(当训练误差太高时)。
This observation suggests a trade-off between the optimization feasibility and the generalization ability, which can be adjusted in different applications by setting the grid sizes of each S3Pool layer
Results on STL-10
训练样本数量和测试误差的关系
随机采样池化--S3Pool: Pooling with Stochastic Spatial Sampling相关推荐
- 池化层(pooling layer) 感受野(Receptive Field) 神经网络的基本组成
目录 (1)本文涉及的函数 (2)池化层 (3)感受野 (4)代码示例(含注释) 承接上两篇博客:卷积层(空洞卷积对比普通卷积).激活函数层 (1)本文涉及的函数 import torch impor ...
- CNN基础知识——池化(pooling)
概述 池化过程在一般卷积过程后.池化(pooling) 的本质,其实就是采样.Pooling 对于输入的 Feature Map,选择某种方式对其进行降维压缩,以加快运算速度. 两种主要池化方式 最大 ...
- 图像处理池化层pooling和卷积核
1.池化层的作用 在卷积神经网络中,卷积层之间往往会加上一个池化层.池化层可以非常有效地缩小参数矩阵的尺寸,从而减少最后全连层中的参数数量.使用池化层即可以加快计算速度也有防止过拟合的作用. 2.为什 ...
- 池化(Pooling)
基础概念 在图像处理中,由于图像中存在较多冗余信息,可用某一区域子块的统计信息(如最大值或均值等)来刻画该区域中所有像素点呈现的空间分布模式,以替代区域子块中所有像素点取值,这就是卷积神经网络中池化( ...
- 池化层-Pooling(CNN卷积神经网络)
文章目录 汇聚层(池化层) 最大汇聚层和平均汇聚层 填充和步幅 多个通道 小结 汇聚层(池化层) 本节将介绍汇聚(pooling)层(又名池化层),它具有双重目的: 1.降低卷积层对位置的敏感性 2. ...
- 降采样,下采样,池化
概念 缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的有两个:1.使得图像符合显示区域的大小:2.生成对应图像的缩略图. 放大图像(或称为上采样(upsam ...
- Rethinking场景分析中的空间池化 | Strip Pooling(CVPR2020,何凯明)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 原文链接:https://arxiv.org/abs/2003.13328v1 代码链接:https: ...
- CNN(卷积层convolutional layer,激励层activating layer,池化层pooling,全连接层fully connected)
CNN产生的原因:当使用全连接的神经网络时,因为相邻两层之间的神经元都是有边相连的,当输入层的特征纬度非常高时(譬如图片),全连接网络需要被训练的参数就会非常多(参数太多,训练缓慢),CNN可以通过训 ...
- mysql pooling 作用_关于池化(pooling)理解!!!
网上看到一个池化的解释是: 为了描述大的图像,可以对不同位置的特征进行聚合统计,如计算平均值或者是最大值,即mean-pooling和max-pooling 我的想法是,图像做卷积以后,将图像信息(特 ...
最新文章
- 仿人智能控制器的参数简化(已发表于《计算机测量与控制》2013年第4期)
- php执行dmidecode,Python:Dmidecode系统信息
- [转载]在VirtualBox中收缩虚拟磁盘映像文件
- Linux命令【一】基本命令
- java中static关键字简介
- C#语法中String与string的区别
- STM8单片机低功耗---活跃停机(Active Halt)模式实现-1
- 机器学习实战1--预测链家租房价格
- OS学习笔记32—使用Storyboard实现复杂界面
- win10如何安装IIS
- 四大逆向工程软件简介
- os 安装 php redis,Mac Xamp安redis及安装php-redis扩展
- 教你保护相册里的「小秘密」,如何在 iPhone 和 iPadOS 中隐藏照片
- Scene Kit (翻译)
- 入力できる文字数チェック
- 大型高并发高负载网站的系统架构[转载]
- 项目管理工具dhtmlxGantt甘特图入门教程(十五):从MS项目导入/导出(上)
- 行业研究-全球与中国移动现场服务解决方案市场现状及未来发展趋势
- 人工智能行业市场分析
- 北斗三号短报文RDSS测试软件V1.0
热门文章
- 在IOS中创建get,set方法
- VS2017报错---无可用源
- Android源码下载资料
- WPF加载相对路径的图片的解决方法
- 微生物组数据库: 一站式环境基因组学数据云平台更新啦!
- SBB:石油污染土壤微生物群落构建与生物多样性研究
- Nat. Ecol. Evol.:不想当化学家的物理学家不是好的生物学家
- 扩增子统计绘图3热图:样品相关分析,差异OTU/ASV
- 下面属于java的object_在JAVA中,下列哪些是Object类的方法()
- 插拔式java_# 可插拔式组件设计,领略组件开发的奥秘