重疊池化

傳統池化存在的問題

傳統的池化策略在固定池化比率係數下，輸出的特徵大小跟輸入大小成正比，當輸入圖片或者視頻的解析度很大的時候，池化後的特徵維度往往也會很高。解決的方法有進一步深層網路的堆疊，這樣多層池化後輸出的特徵維數必然下降，但深度學習中網路的層數往往是個經驗值，也並不是網路的層數越多模型的性能就越好。

重疊池化引入了空間金字塔的思想，將池化層的輸出擴充為多級較小的特徵，採用稀疏編碼進行多級特徵的融合，降低了池化層輸出的特徵維度。傳統的池化策略輸出的是單一大小的特徵映射，而多級的輸出已經顯示了對目標形變的魯棒性，所以結合多級金字塔的池化策略也是可以提高深度網路性能的。

設空間卷積操作後得到的特徵映射大小為a*a，某級金字塔大小為n*n，則對應的池化操作的池化比率為

，步長為

，這裡

和

分別對應向上取整和向下取整的操作。我們發現當

<

的時候，池化區域和區域之間會出現重疊，而傳統的池化方法之間則不會。具體的說，池化操作可以看作池化單元格線以s像素為步長在移動，對以池化單元格線為中心的z*z局部區域進行特徵概括。如果s=z，那么該池化操作就是傳統的池化策略；如果s<z，則該池化操作就是重疊的池化方法。