Max-pooling VS Summe-pooling
Habe ich teilweise verstanden Max-pooling, nach der Lektüre Convolutional Neural Networks (LeNet):
Ein weiteres wichtiges Konzept der CNNs ist max-pooling, das ist eine form von
nicht-lineare down-sampling. Max-pooling-Partitionen mit der Eingabe-Bild in
eine Reihe von nicht-überlappende Rechtecke und, für jede dieser sub-region,
Ausgänge der maximale Wert.
Was über die Summe-pooling? Ich konnte nicht finden, dass jeder leicht verstehen Artikel.
Du musst angemeldet sein, um einen Kommentar abzugeben.
Convolutional Neural Networks machen eine gute Arbeit im Umgang mit hochdimensionalen Daten. Die Beschränkung der Anzahl der GEWICHTE, die nur für Kerne GEWICHTE, die das lernen leichter macht wegen der Invarianz-Eigenschaften von Bildern oder Ton. Aber wenn man sich sorgfältig an, was auf Sie möglicherweise fest, dass die nach der ersten convolutional layer die dimension der Daten könnten stark steigen, wenn Sie nicht die tricks wie Bündelung.
Max-pooling verringert sich die dimension der Daten einfach, indem Sie nur die maximale Eingangsleistung, die von einem festen Bereich der convolutional layer. Summe pooling arbeitet in einer ähnlichen Weise wie die - indem Sie die Summe der Eingänge, nicht die maximale.
Der konzeptionelle Unterschied zwischen diesen beiden Ansätzen liegt in der Art der Invarianz, die Sie in der Lage sind zu fangen. Max-pooling ist empfindlich auf die Existenz der einige Muster in der region gebündelt. Summe pooling (die ist proportional zu Bedeuten pooling) Maßnahmen der Mittelwert der Existenz eines Musters in einer bestimmten region.
UPDATE:
Den Teilregionen für Summe pooling /Mittel-pooling festgelegt sind genau die gleichen wie für Max-pooling aber statt mit max Funktion, die Sie verwenden Summe /Mittelwert. Sie können Lesen Sie über hier im Absatz über die Bündelung.