下面是论文中遇到的池化方法的总结

池化层是卷积神经网络中比较重要的一个层,他主要是为了降低与卷积层之间连接数所带来的计算负担。

1、Lp Pooling

它是以复杂细胞为模型的生物启发的池化过程。这个主要来源于论文[1],并且通过实验证明他的效果比max pooling效果好。

2、Mixed pooling(混合池化)

来源于论文[2],主要是结合了max pooling 和average pooling。

3、Stochastic pooling(随机池化)

论文来源于[3]。

4、Spectral pooling(光谱池化)

论文来源于[4]。

5、空间金字塔池化

主要来源于[5]。

6、Multi-scale Orderless Pooling(多尺度无序池化)

论文来源于[6]。

参考文献:

[1]A. Hyv¨arinen, U. K¨oster, Complex cell pooling and the statistics of natural images, Network: Computation in Neural Systems 18 (2) (2007) 81–100.

[2]D. Yu, H. Wang, P. Chen, Z. Wei, Mixed pooling for convolutional neural networks, in: Proceedings of the Rough Sets and Knowledge Technology (RSKT), 2014, pp. 364–375.

[3]M. D. Zeiler, R. Fergus, Stochastic pooling for regularization of deep convolutional neural networks, in: Proceedings of the International Conference on Learning Representations (ICLR), 2013.

[4]O. Rippel, J. Snoek, R. P. Adams, Spectral representations for convolutional neural networks, in: Proceedings of the Advances in Neural Information Processing Systems (NIPS), 2015, pp. 2449–2457.

[5]K. He, X. Zhang, S. Ren, J. Sun, Spatial pyramid pooling in deep convolutional networks for visual recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI) 37 (9) (2015) 1904–1916.

[6]Y. Gong, L. Wang, R. Guo, S. Lazebnik, Multi-scale orderless pooling of deep convolutional activation features, in: Proceedings of the European Conference on Computer Vision (ECCV), 2014, pp. 392–407.​​​​​​​

论文中提到的池化方法的总结相关推荐

  1. 池化方法总结(Pooling) 和卷积 。 第三部分讲的很好

    池化方法总结(Pooling) 2016-01-12 22:55 5033人阅读 评论(2) 收藏 举报  分类: deep learning(18)  目录(?)[+] 在卷积神经网络中,我们经常会 ...

  2. 池化方法总结(Pooling)

    FROM: http://demo.netfoucs.com/danieljianfeng/article/details/42433475# 在卷积神经网络中,我们经常会碰到池化操作,而池化层往往在 ...

  3. Yan Goodfellow 在生成对抗网络(GANs)论文中提到的比喻 “the Helvetica Scenario” 的解释及其来龙去脉

    1.the Helvetica Scenario 可以音译为:海奥维提卡情景.海奥维提卡场景.海奥维提卡现象等 <Generative Adversarial Nets>[1] 原文提及: ...

  4. java 求集合平均数_图像二值化方法介绍(转载学习)

    ImageJ中图像二值化方法介绍 概述 二值图像分析在对象识别与模式匹配中有重要作用,同时也在机器人视觉中也是图像处理的关键步骤,选择不同图像二值化方法得到的结果也不尽相同.本文介绍超过十种以上的基于 ...

  5. 论文|Item2vec论文中值得细细品味的8个经典tricks和thinks

    万物皆可Embedding系列会结合论文和实践经验进行介绍,前期主要集中在论文中,后期会加入实践经验和案例,目前已更新: 万物皆可Vector之语言模型:从N-Gram到NNLM.RNNLM 万物皆可 ...

  6. lisp插件圆弧转折线_AutoCAD中圆弧折线化方法与实现

    AutoCAD 中圆弧折线化方法与实现 刘虎 * [摘 要] AutoCAD 作为一种重要的地形图制图软件,图中存在大量的圆弧图 元.由于圆弧只有端点或圆心坐标,弧线本身缺乏精确的坐标信息,因此导致 ...

  7. 2018-3-20论文(一种新的群体智能算法--狼群算法)笔记一(引言中提到的的一些智能算法,以及自己的感想)

    思想: 模拟狼群捕食行为以及猎物分配方式,抽象出游走,召唤,围攻三种智能行为以及"胜者为王"的头狼产生规则和"强者生存"的狼群更新机制. 引言中提到的智能优化算 ...

  8. ​清华大学提出基于生成对抗神经网络的自然图像多风格卡通化方法并开源代码...

    近日,清华大学刘永进教授课题组在 IEEE Transactions on Visualization and Computer Graphics 上发表论文,提出基于生成对抗神经网络的自然图像多风格 ...

  9. 好好说说Java中的常量池之Class常量池 1

    转载自   好好说说Java中的常量池之Class常量池 在Java中,常量池的概念想必很多人都听说过.这也是面试中比较常考的题目之一.在Java有关的面试题中,一般习惯通过String的有关问题来考 ...

最新文章

  1. MySQL中count方法和sum方法查询条件错误时返回结果
  2. 每日程序C语言45-连接两个链表
  3. python播放wav文件_python3 写一个WAV音频文件播放器的代码
  4. php对json数据处理,在PHP中处理JSON的后期数据
  5. Kafka内核理解:消息的收集/消费机制
  6. 宣布降低Windows Azure 存储和计算的价格
  7. 男子造出山寨ATM机 盗信息做假卡取钱13万
  8. xml规范及xml解析
  9. 有关Altera 的CPLD工程编译报错的解决方法
  10. 5.3 数值分析: 差商的定义及性质
  11. 生成对抗神经网络基本思想
  12. java.sql.SQLException: Access denied for user ‘root‘@‘127.0.0.1‘ (using password: YES)
  13. Python-Level2-day11:TCP客户端/服务端传输(循环模型之短连接与长连接形态);TCP粘包问题;与UDP对比;数据传输过程原理;
  14. 微信授权APP第三方登陆(Android)
  15. mysql查询选修课程的学生_[MySQL]查询学生选课的情况(一)
  16. spring mvc 学习指南一
  17. 知识点 - 多项式插值法
  18. 传音控股以科技立品牌,2021一季度净利大增125.93%
  19. 前端基础考试/面试题含答案
  20. 远程桌面连接的计算机是什么,连接远程桌面,连接远程桌面的凭证是什么

热门文章

  1. chrome始终显示版本过旧,无法自动更新,官网在线升级包失败的解决办法
  2. vs = VirtualService
  3. 数据脱敏小探——数据脱敏技术概述
  4. iOS IAP应用内购详细步骤和问题总结指南
  5. 6g运行和8g运行有什么差别
  6. AVB校验微观版本:android avb(Android Verified Boot)验证
  7. VC中自定义打印调试信息函数,打印调试信息到DebugView上
  8. jQuery前端面试题+笔试题+练习题(1)
  9. centos7 配置虚拟ip
  10. 股票中MACD如何计算,有什么意义