卷积神经网络概述-池化层

最新推荐文章于 2025-04-09 20:51:10 发布

星河不知意

最新推荐文章于 2025-04-09 20:51:10 发布

阅读量3.9k

点赞数

文章标签：神经网络深度学习

本文链接：https://blog.youkuaiyun.com/qq_47910757/article/details/116381735

版权

本文介绍了卷积神经网络中的池化层，包括Lp池化、随机/混合池化和谱池化。Lp池化通过取均值或极大值来减少数据维度；随机池化和混合池化具有正则化效果，防止过拟合；谱池化利用FFT实现，保留低频信息并调整特征图大小。Inception模块结合多种卷积和池化操作，有效减小计算复杂度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

池化层（pooling layer）

在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。
池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。
池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

1. Lp池化（Lp pooling）

Lp池化是一类受视觉皮层内阶层结构启发而建立的池化模型 [35] ，其一般表示形式为 [36] ：

式中步长、像素的含义与卷积层相同，是预指定参数。当时，Lp池化在池化区域内取均值，被称为均值池化（average pooling）；当时，Lp池化在区域内取极大值，被称为极大池化（max pooling）。均值池化和极大池化是在卷积神经网络的设计中被长期使用的池化方法，二者以损失特征图的部分信息或尺寸为代价保留图像的背景和纹理信息 [36] 。此外时的L2池化在一些工作中也有使用 [37] 。