↑: [[G検定に関する知識]] - [[プーリング層]]は[[特徴マップ]]を縮小し、計算量を減らす効果がある - 位置が多少ずれていても認識できるようにする普遍性の獲得に役立つ - [[プーリング層]]は小さな領域内の最大値や平均値を取るため、対象物が数ピクセルずれていても出力される特徴は変わらなくなる - [[移動不変性]]の獲得 - [[プーリング層]]は情報を圧縮するため細かい位置情報は失われる - 位置情報よりもその特徴が存在するかが重視される - [[プーリング層]]は[[畳み込み層]]と組み合わせて使われることが多い - [[CNN]]において[[畳み込み層]]の直後に配置される - [[プーリング層]]により[[AI]]は厳密な位置をこだわらない柔軟な判断ができるようになる - [[CNN]]において特徴マップの空間サイズを縮小（ダウンサンプリング）する層 - 目的：計算量削減・過学習抑制・空間的不変性の獲得 - 代表的な種類 - [[最大値プーリング]]（Max Pooling）：領域内の最大値を抽出 → 強い特徴を保持 - [[平均値プーリング]]（Average Pooling）：領域内の平均値 → なめらかな特徴 - 画像認識では一般的に最大値プーリングが多用される - プーリングには学習パラメータがない（固定操作） - 獲得できる不変性は本質的に**局所的な平行移動不変性**。回転・スケール不変性は得られない ← 重要 - 回転への頑健性はデータ拡張（回転・反転）やGroup Equivariant CNNなどの専用設計が必要 - 層を重ねると受容野が広がり、低層の局所的不変性 → 高層の大域的不変性へ段階的に獲得する - 特徴マップを縦横に縮める層。畳み込み層とセットで使い、段階的に圧縮していくのが定番 - パラメータを持たない（学習しない）固定ルールで動くため軽くて速い - 配置は「畳み込み層→活性化関数→プーリング層」の順が定番 - 3つの効果：①サイズ縮小（計算量・メモリ削減）②過学習の抑制（細かいノイズを潰す）③位置ズレへの強さ（不変性の獲得） - cf. [[位置不変性]], [[グローバルアベレージプーリング]], [[最大値プーリング]], [[平均値プーリング]], [[畳み込み層]]