プーリングプーリング

プーリング、つまり空間プーリングは、畳み込みニューラル ネットワークで特徴を抽出するために使用される手法で、過学習を回避しながらさまざまな特徴に対する統計処理を集約することで比較的低い次元を取得します。

プーリングでは、重要な情報のほとんどを保持しながら、各特徴マップの次元を削減します。現在、主に最大化、平均化、合計などの方法があります。

一般的なプーリング操作

最も一般的なプーリング操作は、平均プーリングと最大プーリングです。

• 平均プーリング:画像領域の平均値を計算し、それを領域のプール値として使用します。
• 最大プーリング:画像領域の最大値を選択し、それを領域のプール値として使用します。

空間近傍を定義し、変更された特徴マップから最大の要素を取得するか、平均を取得することもできます。

プーリングの役割

プーリング関数は、入力表現の空間スケールを徐々に縮小できます。

• 特徴量の次元を減らすことで、ネットワーク内のパラメータと計算の数をより制御可能な方法で減らすことができます。
• 入力画像の小さな変更、冗長性、変換に対してネットワークを不変にします。
• 画像の最大スケール不変性を取得するのに役立ちます。