池化的原理

一、池化的概念

如果卷积是为了能自动提取图像的高维度且有效的特征，那么池化就是自动删除一些不必要的特征，减少特征个数（即降维），增加特征的鲁棒性，缓解卷积层对位置的过度敏感性。

在CNN中，池化操作通常紧跟在卷积操作之后，用于降低特征图的空间大小。

二、池化的操作

池化的操作就是一个采样的过程，所谓的采样，就是有选择性的保留某些数值。其实操作和卷积很类似，可以理解为池化也有一个卷积核，但是这个核只是一个框，框里没有任何数字需要进行训练，仅仅是按一定的规则对数据进行筛选。

池化常用的方法有两种：平均池化和最大池化。

• 平均池化

        平均池化就是计算每个子区域内的平均值作为输出，具体操作如下：

可以看到，上述中蓝色的框为池化的核（大小：2x2），平均池化则是计算这个核内的所有数字的平均值，然后输出到下一层。那么一个4x4的特征图在经过一个大小为2x2的池化后，就会输出一个2x2的池化图。

• 最大池化

        顾名思义，最大池化就是对池化框里的所有数据中，只取最大值，具体操作如下：

总结：

池化层的作用在于：

• 增加特征平移不变性，以提高网络对微小位移的容忍能力。
• 减小特征图大小，对空间局部区域进行下采样，以减少下一层需要的参数量和计算量，大大提高训练速度，并降低过拟合的风险。
• 最大池化可以使得结果为非线性，所以目前最常用的池化为最大池化。

注意：

在处理多通道输入数据时，池化层对每个输入通道分别池化，所以池化层的输出通道数量和输入通道数量是相等的。不像卷积层那样将各通道的输入按通道进行相加。

比如：输入通道数为3，那么池化层的通道数也等于3。

参考来源：

【概念理解】卷积（Convolution）与池化（Pooling）-优快云博客

深入理解池化 - emanlee - 博客园

更多：

⁣西克中国 | SICK

传感器技术学习平台