Summary  
This chapter covers pooling layers, which downsample feature maps in convolutional neural networks by applying operations like max pooling, average pooling, and global pooling to reduce spatial dimensions while preserving important features, improving computational efficiency, preventing overfitting, and enhancing translation invariance.

General domain of usage  
Image recognition

## Pooling-kerrosten tarkoitus

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

- **Ulottuvuuksien vähentäminen**: laskennallisen monimutkaisuuden ja muistinkäytön pienentäminen;
- **Piirteiden säilyttäminen**: tärkeimpien yksityiskohtien säilyttäminen seuraaville kerroksille;
- **Ylisopeutumisen ehkäisy**: melun ja epäolennaisten yksityiskohtien tallentamisen riskin pienentäminen;
- **Translaatioinvarianssi**: verkon kyvyn parantaminen tunnistaa kohteita niiden sijainnista riippumatta kuvassa.

## Pooling-kerrosten tyypit

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

### Maksimipoolaus

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

### Keskiarvopoolaus

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

### Globaali poolaus

- Pienen ikkunan sijaan suoritetaan poolaus **koko ominaisuusmappiin**;
- Globaalia poolausta on kahta tyyppiä:
  - **Globaali maksimipoolaus**: Valitsee suurimman arvon koko ominaisuusmapista;
  - **Globaali keskiarvopoolaus**: Laskee kaikkien arvojen keskiarvon ominaisuusmapissa.
- Käytetään usein täysin konvoluutioverkoissa luokittelutehtävissä.

Poolauksessa syötteeseen ei sovelleta ydintä, vaan **yksinkertaistetaan tietoa** matemaattisella operaatiolla (Max tai Avg).

Huomio

## Pooling-kerrosten hyödyt CNN:issä

Pooling parantaa konvoluutiohermoverkkojen 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 pystyvät poimimaan olennaista tietoa säilyttäen tehokkuuden ja yleistyskyvyn.



Mikä on pooling-kerrosten ensisijainen tarkoitus CNN:ssä?

Mikä pooling-menetelmä valitsee hallitsevimman arvon annetulta alueelta?

Miten pooling auttaa estämään ylisovittamista konvoluutiohermoverkoissa (CNN)?

Kattava johdatus tietokonenäköön, keskittyen koneelliseen havainnointiin ja visuaalisen datan tulkintaan. Kattaa kuvien esikäsittelyn, piirteiden erottelun, objektien tunnistuksen sekä syväoppimistekniikat, joita käytetään nykyaikaisissa näköjärjestelmissä.

Konenäkö mahdollistaa koneiden tulkita ja analysoida visuaalista dataa, jäljitellen ihmisen havainnointia. Tässä osiossa käsitellään kuvan esitystapojen, väritilojen ja matemaattisten perusteiden perusteita, jotka ovat olennaisia kuvankäsittelyn ymmärtämiseksi. Tutustut käytännön sovelluksiin, kuten autonomisiin ajoneuvoihin ja lääketieteelliseen kuvantamiseen, sekä siihen, miten konenäkö yhdistyy tekoälyyn ja koneoppimiseen.

OpenCV on tehokas kirjasto kuvankäsittelyyn ja konenäön tehtäviin. Tässä osiossa käsitellään keskeisiä tekniikoita, kuten kuvien suodatus, muunnokset, reunojen tunnistus ja segmentointi. Opit suorittamaan kuvan sumentamista, kynnysarvotusta, ääriviivojen tunnistusta ja piirteiden poimintaa kuvien parantamiseksi ja analysoimiseksi tehokkaasti.

CNN:t käsittelevät visuaalista dataa konvoluutio-, poolaus- ja aktivointikerrosten avulla piirteiden erottamiseksi tehtäviin, kuten kuvien luokitteluun ja objektien tunnistukseen. Keskeisiä osia ovat täydennys, konvoluutio piirteiden erottamiseen, poolaus monimutkaisuuden vähentämiseen ja aktivointi epälineaarisuuden tuottamiseen. Suositut arkkitehtuurit, kuten AlexNet, VGG ja ResNet, mahdollistavat tekoälyn käytön terveydenhuollossa, autonomiassa ja turvallisuudessa.

Esineentunnistus on tietokonenäön keskeinen tehtävä, jossa tunnistetaan ja paikannetaan esineitä kuvassa. Toisin kuin kuvien luokittelu, jossa koko kuvalle annetaan yksi luokka, esineentunnistus sekä luokittelee esineet että määrittää niiden sijainnit rajaavien laatikoiden avulla. Tässä osiossa käsitellään esineentunnistuksen keskeisiä tekniikoita ja algoritmeja, perinteisistä menetelmistä syväoppimiseen perustuviin lähestymistapoihin, kuten YOLO ja U-Net.

Konenäkö on kehittynyt merkittävästi vuosien varrella, siirtyen peruskuvankäsittelymenetelmistä monimutkaisiin syväoppimistekniikoihin. Tämä osio käsittelee konenäön viimeisimpiä innovaatioita, keskittyen siirto-oppimiseen, kasvojentunnistukseen ja kuvien generointiin. Tarkastelemme esikoulutettujen mallien vaikutusta suorituskykyyn, kasvojentunnistusteknologian periaatteita sekä tapoja, joilla tekoäly luo kuvia syväoppimisen avulla.

Poolauskerrokset

Pooling-kerrosten tarkoitus

Pooling-kerrosten tyypit

Maksimipoolaus

Keskiarvopoolaus

Globaali poolaus

Pooling-kerrosten hyödyt CNN:issä

1. Mikä on pooling-kerrosten ensisijainen tarkoitus CNN:ssä?

2. Mikä pooling-menetelmä valitsee hallitsevimman arvon annetulta alueelta?

3. Miten pooling auttaa estämään ylisovittamista konvoluutiohermoverkoissa (CNN)?