池化作用：
1、减少输出的大小和降低过拟合
2、减少后续参数的数量
3、对特征图进行压缩，使得特征图变小，简化网络的复杂度
4、提取主要特征
1. 一般池化（General Pooling）
池化作用于图像中不重合的区域（这与卷积操作不同），过程如下图。
定义池化窗口的大小为sizeX，即下图中红色正方形的边长，定义两个相邻池化窗口的水平位移/竖直位移为stride。一般池化由于每一池化窗口都是不重复的，所以sizeX=stride。
最常见的池化操作为平均池化mean pooling、最大池化max pooling、均方根池化RMS pooling：
平均池化：计算图像区域的平均值作为该区域池化后的值。
最大池化：选图像区域的最大值作为该区域池化后的值。
均方根池化：选图像区域的均方根
作为该区域池化后的值。
2. 重叠池化（OverlappingPooling）
重叠池化正如其名字所说的，相邻池化窗口之间会有重叠区域，此时sizeX>stride。
论文中《Imagenet classification with deep convolutional neural networks》中，作者使用了重叠池化，其他的设置都不变的情况下， top-1和top-5 的错误率分别减少了0.4% 和0.3%。
Imagenet classification with deep convolutional neural networks.pdf
3. 空间金字塔池化（Spatial Pyramid Pooling）
论文《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》中提出SPPnet，
空间金字塔池化可以把任何尺度的图像的卷积特征转化成相同维度，这不仅可以让CNN处理任意尺度的图像，还能避免cropping和warping操作，导致一些信息的丢失，具有非常重要的意义。
一般的CNN都需要输入图像的大小是固定的，这是因为全连接层的输入需要固定输入维度，但在卷积操作是没有对图像尺度有限制，所有作者提出了空间金字塔池化，先让图像进行卷积操作，然后转化成维度相同的特征输入到全连接层，这个可以把CNN扩展到任意大小的图像。
4. 全局池化（Global Pooling）
5. 双线性池化（Bilinear Pooling）
bilinear pooling在2015年于《Bilinear CNN Models for Fine-grained Visual Recognition》被提出来用于fine-grained分类后，又引发了一波关注。bilinear pooling主要用于特征融合，对于从同一个样本提取出来的特征 
和特征 
，通过bilinear pooling得到两个特征融合后的向量，进而用来分类。
6. 分数最大池化（Fractional Max-Pooling）
若有收获，就点个赞吧
0 人点赞
