图像分类中的max pooling和average pooling是对特征的什么来操作的,结果是什么?
2017-02-07 10:22
363 查看
接触到pooling主要是在用于图像处理的卷积神经网络中,但随着深层神经网络的发展,pooling相关技术在其他领域,其他结构的神经网络中也越来越受关注。
<img src="https://pic4.zhimg.com/58b4644ffe54e733fb133466a40a8a2f_b.jpg" data-rawwidth="458" data-rawheight="143" class="origin_image zh-lightbox-thumb" width="458" data-original="https://pic4.zhimg.com/58b4644ffe54e733fb133466a40a8a2f_r.jpg">这个图是一个典型的卷积神经网络结构图,其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征,亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。
其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征,亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。
pooling的结果是使得特征减少,参数减少,但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性(旋转、平移、伸缩等),常用的有mean-pooling,max-pooling和Stochastic-pooling三种。
mean-pooling,即对邻域内特征点只求平均,max-pooling,即对邻域内特征点取最大。根据相关理论,特征提取的误差主要来自两个方面:(1)邻域大小受限造成的估计值方差增大;(2)卷积层参数误差造成估计均值的偏移。一般来说,mean-pooling能减小第一种误差,更多的保留图像的背景信息,max-pooling能减小第二种误差,更多的保留纹理信息。Stochastic-pooling则介于两者之间,通过对像素点按照数值大小赋予概率,再按照概率进行亚采样,在平均意义上,与mean-pooling近似,在局部意义上,则服从max-pooling的准则。
LeCun的“Learning Mid-Level Features For Recognition”对前两种pooling方法有比较详细的分析对比,如果有需要可以看下这篇论文。
接触到pooling主要是在用于图像处理的卷积神经网络中,但随着深层神经网络的发展,pooling相关技术在其他领域,其他结构的神经网络中也越来越受关注。
<img src="https://pic4.zhimg.com/58b4644ffe54e733fb133466a40a8a2f_b.jpg" data-rawwidth="458" data-rawheight="143" class="origin_image zh-lightbox-thumb" width="458" data-original="https://pic4.zhimg.com/58b4644ffe54e733fb133466a40a8a2f_r.jpg">这个图是一个典型的卷积神经网络结构图,其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征,亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。
其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征,亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。
pooling的结果是使得特征减少,参数减少,但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性(旋转、平移、伸缩等),常用的有mean-pooling,max-pooling和Stochastic-pooling三种。
mean-pooling,即对邻域内特征点只求平均,max-pooling,即对邻域内特征点取最大。根据相关理论,特征提取的误差主要来自两个方面:(1)邻域大小受限造成的估计值方差增大;(2)卷积层参数误差造成估计均值的偏移。一般来说,mean-pooling能减小第一种误差,更多的保留图像的背景信息,max-pooling能减小第二种误差,更多的保留纹理信息。Stochastic-pooling则介于两者之间,通过对像素点按照数值大小赋予概率,再按照概率进行亚采样,在平均意义上,与mean-pooling近似,在局部意义上,则服从max-pooling的准则。
LeCun的“Learning Mid-Level Features For Recognition”对前两种pooling方法有比较详细的分析对比,如果有需要可以看下这篇论文。
相关文章推荐
- 图像分类中的max pooling和average pooling
- 图像中目标特征分类
- 基于SIFT特征和SVM的图像分类
- 基于python 的分类算法模板 -- 数据库索引、特征提取、分类、分类结果查看
- 什么是图像分类的Top-5错误率?
- 随机森林对鸢尾花数据的两特征组合的分类结果
- 什么是图像特征
- 图像基础8 图像分类——PCA 图像特征提取算法
- VTK修炼之道25:图像基本操作_图像子块提取(特征区域提取)
- CS231n作业笔记1.7:基于特征的图像分类之调参
- opencv输出特征数据、libsvm进行图像分类输出置信度、matlab输出ROC曲线
- 图像特征概念、什么是图像特征
- BoW(Bag-of-Features)特征袋对图像进行分类的理解
- ESB v6.6 Governor中“资产审计”模块,我在服务注册时录入了操作参数,特意与WSDL中定义的参数不一致,却查询不出结果.请问是什么原因?
- 【图像识别】利用BP神经网络做特征向量分类
- 什么是特征向量,特征值,矩阵分解 分类: 杂文 2014-12-11 15:14 83人阅读 评论(0) 收藏
- 图像分类之特征学习ECCV-2010 Tutorial: Feature Learning for Image Classification
- 基于图像的室内装修风格分类系统(二)---提取颜色特征
- 使用keras预训练VGG16模型参数分类图像并提取特征
- 利用Python-caffe进行图像分类,卷积核的显示,激活值特征图的显示以及全连接层直方图显示