gsa*_*ras 10 image machine-learning image-processing neural-network deep-learning
在阅读卷积神经网络(LeNet)后,我已经部分理解了Max-pooling :
CNN的另一个重要概念是max-pooling,这是一种非线性下采样.最大池化将输入图像划分为一组非重叠矩形,并且对于每个这样的子区域,输出最大值.
Sum-pooling怎么样？我找不到任何易于理解的文章.
Mar*_*jko 14
卷积神经网络在处理高维数据方面做得很好.由于图像或声音的不变性属性,仅限于核心权重的权重数量使得学习更容易.但是如果仔细观察发生了什么,你可能会注意到,如果你没有像汇集这样的技巧,那么在第一个卷积层之后你的数据维度可能会严重增加.
最大池化仅通过从卷积层的固定区域获取最大输入来减小数据的维数.总和池以类似的方式工作 - 通过获取输入的总和而不是它的最大值.
这些方法之间的概念差异在于它们能够捕获的那种不变性.最大汇集对汇集区域中某些模式的存在敏感.总和(与均值池成比例)测量给定区域中模式存在的平均值.
更新:
对于次区域总池/平均池设置完全一样的最大集中,但使用的最大功能,您使用和/意思.您可以在有关池的段落中阅读此处.
| 归档时间： |
|
| 查看次数： |
11600 次 |
| 最近记录： |