文件内容课堂总结

全局平均池化通过对特征图的每个通道（Channel）的所有像素值求平均，将高维特征图转换为低维向量。例如，输入特征图尺寸为 7 \times 7 \times 512 时，GAP会计算每个通道的均值，输出一个长度为512的一维向量。数学上，若特征图为 H \times W \times C，则输出为 C 个标量值，每个值对应一个通道的平均值。
 
 
减少参数与过拟合：相比全连接层，GAP无需额外参数，显著降低模型复杂度，从而减少过拟合风险。
 
适应不同输入尺寸：GAP直接对整个特征图操作，无需固定尺寸，适用于图像分类、目标检测等任务中输入尺寸变化的情况。
 
保留全局特征：通过整合通道内所有像素信息，GAP能捕捉特征图的全局上下文，增强模型对输入的整体表达能力。
 
 
图像分类：如ResNet、Inception等网络在最后阶段用GAP替代全连接层，直接输出分类结果。
 
目标检测与分割：结合ROI Pooling等技术，用于提取区域特征并进行定位或分割。
 
迁移学习：预训练模型（如ResNet）的GAP层可作为特征提取器，微调时仅需调整分类层