Pooling是一种在计算机视觉和深度学习中常见的操作,特别是在卷积神经网络(CNN)中。Pooling是一种下采样技术,用于减小输入特征图的大小,同时保留其重要信息。它通常用于减小模型的复杂性,同时保持或提高模型的表示能力。Pooling的方法包括最大池化(Max Pooling)和平均池化(Average Pooling)等。最大池化通过在特征图中选择最大值来减小大小,而平均池化则通过计算特征图的平均值来达到同样的效果。
1. max pooling:最大池化
2. avg pooling:平均池化
3. max-avg pooling:最大平均池化
4. spatial pooling:空间池化
5. feature pooling:特征池化
6. feature-wise pooling:特征无关池化
7. channel pooling:通道池化
8. spatial-temporal pooling:时空池化
9. global pooling:全局池化