Detail-Preserving Pooling in Deep Networks阅读

理解

首先，主要讲下对文章的主要理解。简而言之，这篇文章目的是保留图像细节，拒绝最大或者平均池化的简单粗暴操作，可以自适应的学习的加权型池化。
文章借鉴的思想是DDIP。

综述

池化的作用：降低参数量，扩大感受野，增强不变性。
目前常用的池化：最大，平均，带步长的卷积。等等。最大池化是选择领域内最大的，平均是对领域统一的贡献。而strided conv则是简单选择一个节点作为池化后的节点。

文章内容

DDIP

俗话说，一张图可以解释一切。就是下面这张图就能说明DDIP的思想。

O是输出图像，上面一路是经过box filter-降采样-高斯滤波之后的降采样图。经过逆双边滤波的作用，产生不同的加权结果，这样就是产生了扩大细节的作用。
总之就是加权的过程。

DDP

根据对reward function的不同，存在了对称DDP和不对称DDP两种。公式见论文公式5,6。
那么对于上面公式中的I（~）是线性降采样的结果。公式为

在论文中，根据对F的不同，可以产生Full-dPP和lite-DPP。
Full-dpp是指F为不标准的二维滤波，增加了相应大小的参数，可以学习。
对应的lite-dpp 则是为平均权重了。

讨论

接下来的文章中，文章说明了参数的求导结果。并且说明了参数的增加相对于卷积等可以忽略，同时也证明了在特殊情况下ave-pooling 和 max-pooling可以是dpp的特例。
在实验结果中，DPP展现了可以提升0.5-1个百分点的优势。