Объединение в пул уменьшает количество параметров в изображении, когда их очень много. Пространственное объединение, также называемое субдискретизацией или субдискретизацией, уменьшает размерность каждой карты, но сохраняет важную информацию.
Существуют различные виды пулинга:
- Максимальное объединение:
Максимальное объединение — это операция объединения, которая выбирает максимальный элемент из области карты объектов, охватываемой фильтром. Таким образом, выходными данными после слоя максимального объединения будет карта объектов, содержащая наиболее заметные объекты предыдущей карты объектов.
2. Мин. объединение:
Минимальное объединение — это операция объединения, которая выбирает минимальный элемент из области карты объектов, покрываемой фильтром.
3. Средний пул:
Средний пул отличается от максимального пула в том смысле, что он сохраняет много информации о «менее важных» элементах блока или пула. В то время как Max Pooling просто отбрасывает их, выбирая максимальное значение, Average Pooling смешивает их. Это может быть полезно в различных ситуациях, когда такая информация полезна.
Глобальный средний пул
В течение долгого времени полносвязная сеть была стандартной структурой сети классификации CNN. Как правило, после полного подключения будет функция активации для классификации. Но полносвязный слой имеет очень большое количество параметров, что снижает скорость обучения, и его легко переобучить.
Разница между Global Average Pooling и Local Average Pooling заключается в окне объединения. Пул локального среднего состоит из среднего значения субрегиона на карте объектов, где в глобальном среднем пуле мы усредняем всю карту объектов.
Разница между Global Average Pooling и Local Average Pooling заключается в окне объединения. Пул локального среднего состоит из среднего значения субрегиона на карте объектов, где в глобальном среднем пуле мы усредняем всю карту объектов.
Эту тему часто задают на собеседованиях по ML/CV, не стесняйтесь комментировать любые вопросы!
