↑: [[G検定に関する知識]] - 特徴マップ全体をひとつの平均値に集約するプーリング手法（平均値プーリングの窓を特徴マップ全体まで広げたもの） - チャネルごとに1つの値だけが残る（例：32チャネルの特徴マップ→32個の値） - 全結合層の代わりに置くとパラメータが大幅に削減でき、過学習も起きにくくなる - ResNetをはじめ、現代の画像認識モデルでは標準的な構造 - cf. [[プーリング層]], [[平均値プーリング]], [[全結合層]] - Network in Network（Linら 2014）で提案。各チャンネルをクラスの信頼度に対応づける発想とともに広まった - **学習パラメータを持たない固定操作**（重要位置を学習してスコアリングするAttention機構とは別物）← ひっかけ - 局所領域を処理する最大値／平均値プーリングと異なり、空間情報を完全に潰してチャンネル数と同じ長さのベクトルにする