网上看到一个池化的解释是:

为了描述大的图像,可以对不同位置的特征进行聚合统计,如计算平均值或者是最大值,即mean-pooling和max-pooling

我的想法是,图像做卷积以后,将图像信息(特征)变强了,这时候允许减小图像的尺寸(因为卷积增强了信息,现在又牺牲

一点信息,达到数据尺寸减小但信息不一定减少),这就是类似于先做加法(卷积),再做减法(池化,典型下采样),一加一减,

加的时候图像尺寸没加,信习量加了,减的时候图像尺寸和信息量减,总体是吧,总体可能就可以用了。

池化,就是把某一区域当作一个水池,然后,挑出这个水池中的代表性特征,平均值或者是最大值,即mean-pooling和max-pooling。

一个平面到下一个平面的映射可以看作是作卷积运算,S-层可看作是模糊滤波器,起到二次特征提取的作用。

隐层与隐层之间空间分辨率递减,而每层所含的平面数递增,这样可用于检测更多的特征信息。

分辨率减,平面数加==图像像素独立性减,像素联合性特征加,类似于由独立像素转换为相关特征的过程!!!

个人理解神经网络就是在一副图像中提取很多个不同的特征,再根据特征的组合识别图像中的物体!!!

好吧,我是写给自己看的

05-11 18:13