卷积神经网络概述-池化层_lp池化

池化层（pooling layer）

在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。
池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。
池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

1. Lp池化（Lp pooling）

Lp池化是一类受视觉皮层内阶层结构启发而建立的池化模型 [35] ，其一般表示形式为 [36] ：

式中步长 、像素 的含义与卷积层相同， 是预指定参数。当 时，Lp池化在池化区域内取均值，被称为均值池化（average pooling）；当 时，Lp池化在区域内取极大值，被称为极大池化（max pooling）。均值池化和极大池化是在卷积神经网络的设计中被长期使用的池化方法，二者以损失特征图的部分信息或尺寸为代价保留图像的背景和纹理信息 [36] 。此外 时的L2池化在一些工作中也有使用 [37] 。

2. 随机/混合池化

混合池化（mixed pooling）和随机池化（stochastic pooling）是Lp池化概念的延伸。随机池化会在其池化区域内按特定的概率分布随机选取一值，以确保部分非极大的激励信号能够进入下一个构筑 [38] 。混合池化可以表示为均值池化和极大池化的线性组合 [39] ：

有研究表明，相比于均值和极大池化，混合池化和随机池化具有正则化