知识卡片
池化与平移不变性
一个典型卷积层包含三级:并行卷积产生线性响应、非线性激活(探测级)、池化调整输出。池化函数用某位置邻域的总体统计量(最大值、均值、L2 范数等)替代该点输出,最大池化取邻域最大值。它带来局部平移不变性:输入小幅移动时多数输出不变,适合“只关心特征是否出现、不关心精确位置”的任务(如判断有无眼睛),但像定位拐角这类需要精确保留位置的场景则不宜。池化还顺带降采样,减少下一层的输入规模与参数,并在输入尺寸变化时提供固定数量的统计特征。用分离参数学得多个特征再池化,还能学到对旋转等其他变换的不变性。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第9章 卷积网络
原书出处 · 1 处
- 第9章 卷积网络 · 查看原书依据
池化函数使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出。例如,最大池化 (max pooling)函数(Zhou and Chellappa,1988)给出相邻矩形区域内的最大值。
参考来源
- 位置:《深度学习》第9章 卷积网络(源文件:extracted/深度学习/_epub-src/text/part0003.html)
- 结论依据:原文说明池化用邻域统计特征代替输出、列举最大池化等函数,并以人脸判断与拐角检测对比说明不变性的适用边界。
- 原始内容:池化函数使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出。例如,最大池化 (max pooling)函数(Zhou and Chellappa,1988)给出相邻矩形区域内的最大值。