池化

From Ufldl

Jump to: navigation, search
Line 37: Line 37:
【二审】:
【二审】:
为了解决这个问题,首先回忆一下,我们之所以决定使用卷积后的特征是因为图像具有一种“静态性”的属性,这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此,为了描述大的图像,一个很自然的想法就是对不同位置的特征进行聚合统计,例如,人们可以计算图像一个区域上的某个特定特征的平均值(或最大值)。这些概要统计特征不仅具有低得多的维度(对比于使用所有提取得到的特征),同时还会改善结果(不容易过拟合)。这种聚合的操作就叫做池化(pooling),有时也称为平均池化或者最大池化(取决于计算池化的方法)。
为了解决这个问题,首先回忆一下,我们之所以决定使用卷积后的特征是因为图像具有一种“静态性”的属性,这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此,为了描述大的图像,一个很自然的想法就是对不同位置的特征进行聚合统计,例如,人们可以计算图像一个区域上的某个特定特征的平均值(或最大值)。这些概要统计特征不仅具有低得多的维度(对比于使用所有提取得到的特征),同时还会改善结果(不容易过拟合)。这种聚合的操作就叫做池化(pooling),有时也称为平均池化或者最大池化(取决于计算池化的方法)。
 +
-----------------------------------------------------------------------------
The following image shows how pooling is done over 4 non-overlapping regions of the image.  
The following image shows how pooling is done over 4 non-overlapping regions of the image.  
Line 83: Line 84:
形式化定义:
形式化定义:
形式上,在获取到我们的前面讨论过的卷积特征后,我们确定区域的大小,假设是大小为 的区域来汇聚我们的卷积特征。那么,我们把卷积特征区分放到 个互不相连的区域,然后取得平均(或最大)的这些区域有效特征来获取汇聚后的卷积特征。这些汇聚的特征即可以用来做分类方法。
形式上,在获取到我们的前面讨论过的卷积特征后,我们确定区域的大小,假设是大小为 的区域来汇聚我们的卷积特征。那么,我们把卷积特征区分放到 个互不相连的区域,然后取得平均(或最大)的这些区域有效特征来获取汇聚后的卷积特征。这些汇聚的特征即可以用来做分类方法。
 +
-----------------------------------------------------------------------------
【一审】:
【一审】:
形式化描述:
形式化描述:
一般来说,在获取到我们前面讨论过的卷积特征后,我们要确定池化区域的大小,假设选择大小为 的来池化我们的卷积特征。那么,我们把卷积特征区划分为数个大小为 的互不连接的区域,然后取得这些区域的平均(或最大)有效特征来获取池化后的卷积特征。这些池化后的特征即可以用来为分类器所使用。
一般来说,在获取到我们前面讨论过的卷积特征后,我们要确定池化区域的大小,假设选择大小为 的来池化我们的卷积特征。那么,我们把卷积特征区划分为数个大小为 的互不连接的区域,然后取得这些区域的平均(或最大)有效特征来获取池化后的卷积特征。这些池化后的特征即可以用来为分类器所使用。
 +
-----------------------------------------------------------------------------
【二审】:
【二审】:
Line 104: Line 107:
平移不变式(translation invariant)
平移不变式(translation invariant)
池化(pooling)
池化(pooling)
 +
-----------------------------------------------------------------------------
【二审】:
【二审】:

Revision as of 11:48, 7 March 2013

Personal tools