Pooling-Kerrokset

Pooling-kerrosten tarkoitus

Pooling-kerrokset ovat keskeisessä roolissa konvoluutiohermoverkoissa (CNN), sillä ne pienentävät piirrekaarttojen spatiaalista kokoa säilyttäen samalla olennaisen informaation. Tämä auttaa seuraavissa asioissa:

• Dimensioiden vähentäminen: laskennallisen monimutkaisuuden ja muistinkäytön pienentäminen;
• Piirteiden säilyttäminen: tärkeimpien yksityiskohtien säilyttäminen seuraaville kerroksille;
• Ylisopeutumisen ehkäisy: melun ja epäolennaisten yksityiskohtien tallentamisen riskin vähentäminen;
• Translaatioinvarianssi: verkon kyvyn parantaminen tunnistaa kohteita eri sijainneissa kuvassa.

Pooling-kerrosten tyypit

Pooling-kerrokset toimivat käyttämällä pientä ikkunaa piirrekaarttojen yli ja kokoamalla arvoja eri tavoin. Tärkeimmät pooling-tyypit ovat:

Maksimipoolaus

• Valitsee ikkunasta suurimman arvon;
• Säilyttää hallitsevat piirteet ja poistaa pienet vaihtelut;
• Yleisesti käytetty, koska se säilyttää terävät ja selkeät reunat.

Keskiarvopoolaus

• Laskee ikkunan keskiarvon;
• Tuottaa tasaisemman piirrekaartan vähentämällä äärimmäisiä vaihteluita;
• Vähemmän käytetty kuin maksimipoolaus, mutta hyödyllinen joissakin sovelluksissa, kuten kohteiden paikantamisessa.

Globaali poolaus

• Pienen ikkunan sijaan poolaus tehdään koko ominaisuusmappiin;
• Globaalia poolausta on kahta tyyppiä:
  • Globaali maksimi-poolaus: Valitsee suurimman arvon koko ominaisuusmapista;
  • Globaali keskiarvo-poolaus: Laskee kaikkien arvojen keskiarvon ominaisuusmapissa.
• Käytetään usein täysin konvoluutioverkoissa luokittelutehtävissä.

Pooling-kerrosten hyödyt konvoluutiohermoverkoissa (CNN)

Pooling parantaa CNN:n suorituskykyä useilla tavoilla:

• Translaatioinvarianssi: pienet siirtymät kuvassa eivät merkittävästi muuta tulosta, koska pooling keskittyy merkittävimpiin piirteisiin;
• Ylisopeutumisen vähentäminen: yksinkertaistaa piirteiden karttoja ja estää liiallisen harjoitusaineiston ulkoa opettelun;
• Parantunut laskennallinen tehokkuus: piirteiden karttojen koon pienentäminen nopeuttaa käsittelyä ja vähentää muistivaatimuksia.

Pooling-kerrokset ovat olennainen osa CNN-arkkitehtuureja, varmistaen, että verkot poimivat olennaista tietoa säilyttäen tehokkuuden ja yleistyskyvyn.