cnn中关于平均池化和最大池化的理解

接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。
一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。

作用

pooling的结果是使得特征减少，参数减少，但pooling的目的并不仅在于此。

pooling目的是为了保持某种不变性（旋转、平移、伸缩等）

分类

常用的有mean-pooling，max-pooling和Stochastic-pooling三种。

mean-pooling，即对邻域内特征点只求平均，

max-pooling，即对邻域内特征点取最大。

根据相关理论，特征提取的误差主要来自两个方面：

（1）邻域大小受限造成的估计值方差增大；

（2）卷积层参数误差造成估计均值的偏移。

一般来说，

mean-pooling能减小第一种误差（

cnn中关于平均池化和最大池化的理解相关推荐

cnn池化层输入通道数_（pytorch-深度学习系列）CNN中的池化层-学习笔记
CNN中的池化层首先,池化(pooling)层的提出是为了缓解卷积层对位置的过度敏感性. 什么意思? 比如在图像边缘检测问题中,实际图像里,我们的目标物体不会总出现在固定位置,即使我们连续拍摄同一个 ...
（pytorch-深度学习系列）CNN中的池化层-学习笔记
CNN中的池化层首先,池化(pooling)层的提出是为了缓解卷积层对位置的过度敏感性. 什么意思? 比如在图像边缘检测问题中,实际图像里,我们的目标物体不会总出现在固定位置,即使我们连续拍摄同一个 ...
CNN中的采样和池化心得
神经网络中,其实池化也是采样. 采样层是使用 pooling的相关技术来实现的,目的就是用来降低特征的维度并保留有效信息,一定程度上避免过拟合.但是pooling的目的不仅仅是这些,他的目的是保持旋转 ...
CNN中卷积层、池化层和全连接层分别有什么作用和区别？
卷积层:提取特征."不全连接,参数共享"的特点大大降低了网络参数,保证了网络的稀疏性,防止过拟合.之所以可以"参数共享",是因为样本存在局部相关的特性. 池化层 ...
[CNN] 卷积、反卷积、池化、反池化
之前一直太忙,没时间整理,这两天抽出点时间整理一下卷积.反卷积.池化.反池化的内容,也希望自己对一些比较模糊的地方可以理解的更加清晰. 一.卷积 1.卷积的简单定义卷积神经网络中的卷积操作可以看做是 ...
简述平均池化和最大池化
最大池化在GoogLeNet的论文中提到, 先附上著名的网络结构GoogLeNet及其延伸版本,以便自己日后的学习. Inception[V1]: Going Deeper with Convolut ...
CNN应用之SPP（基于空间金字塔池化的卷积神经网络物体检测）-ECCV 2014-未完待续
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655 作者:hjimce 一.相关理论本篇博文 ...
对卷积神经网络中卷积层、激活层、池化层、全连接层的理解
文章目录卷积神经网络输入层卷积层激励层池化层全连接层卷积神经网络举一个卷积神经网络识别汽车的例子如下: 其中数据输入的是一张图片(输入层),CONV表示卷积层,RELU表示激励层,PO ...
CNN中的translation equivariant和translation invariant
目录等变性 equivariant 不变性 invraiant CNN的等变.不变等变性 equivariant 通俗解释:对于一个函数,如果你对其输入施加的变换也会同样反应在输出上,那么这个函 ...

cnn中关于平均池化和最大池化的理解

cnn中关于平均池化和最大池化的理解相关推荐

最新文章

热门文章