减少神经网络特征图的空间维度
Reducing the Spatial Dimensions of a Neural Network Feature Map
给定维度 MxNxC 的特征图（例如，来自 Faster-RCNN 的预测感兴趣区域的输出），如何减少 spatial 尺寸为 1x1xC？ IE。将特征图缩减为向量，如数量汇总区域的特征？
我知道 1x1 卷积，但这似乎与 通道缩减 案例相关。 Average 和 Max Pooling 也很常用，但似乎这些方法更适合不太极端的子采样情况。
显然，人们可以简单地计算空间维度上的平均值，但这似乎相当粗糙。
我推荐使用全局平均池化层。你有 MxNxC 特征图。全局平均池计算每个特征图的平均值。所以特征图变成一个数字，一组特征图变成向量。
我推荐这篇文章作为探索全局平均池化层的起点。
https://alexisbcook.github.io/2017/global-average-pooling-layers-for-object-localization/
给定维度 MxNxC 的特征图（例如，来自 Faster-RCNN 的预测感兴趣区域的输出），如何减少 spatial 尺寸为 1x1xC？ IE。将特征图缩减为向量，如数量汇总区域的特征？
我知道 1x1 卷积，但这似乎与 通道缩减 案例相关。 Average 和 Max Pooling 也很常用，但似乎这些方法更适合不太极端的子采样情况。
显然，人们可以简单地计算空间维度上的平均值，但这似乎相当粗糙。
我推荐使用全局平均池化层。你有 MxNxC 特征图。全局平均池计算每个特征图的平均值。所以特征图变成一个数字，一组特征图变成向量。
我推荐这篇文章作为探索全局平均池化层的起点。
https://alexisbcook.github.io/2017/global-average-pooling-layers-for-object-localization/