Neural network 神经网络特征映射的空间降维_Neural Network_Deep Learning_Conv Neural Network_Dimensionality Reduction_Faster Rcnn

Neural network 神经网络特征映射的空间降维

neural-network deep-learning

Neural network 神经网络特征映射的空间降维,neural-network,deep-learning,conv-neural-network,dimensionality-reduction,faster-rcnn,Neural Network,Deep Learning,Conv Neural Network,Dimensionality Reduction,Faster Rcnn,给定维度MxNxC的特征图（例如，更快的RCNN的预测感兴趣区域的输出），如何将空间维度减少为1xc？也就是说，将特征图简化为一个向量状的量，总结区域的特征我知道1x1卷积，但这似乎与信道缩减情况有关。平均池和最大池也是常用的，但是这些方法似乎更适合于不太极端的子采样情况显然，可以简单地计算空间维度上的平均值，但这似乎相当粗糙。我建议使用全局平均池层。您有MxNxC功能映射。Gloabal平均池计算每个特征映射的平均值。所以特征图变成了一个数字，特征图的集合变成了向量我推荐本文作为探索全局

给定维度

MxNxC

的特征图（例如，更快的RCNN的预测感兴趣区域的输出），如何将空间维度减少为

1xc

？也就是说，将特征图简化为一个向量状的量，总结区域的特征

我知道

1x1

卷积，但这似乎与信道缩减情况有关。平均池和最大池也是常用的，但是这些方法似乎更适合于不太极端的子采样情况

显然，可以简单地计算空间维度上的平均值，但这似乎相当粗糙。

我建议使用全局平均池层。您有MxNxC功能映射。Gloabal平均池计算每个特征映射的平均值。所以特征图变成了一个数字，特征图的集合变成了向量

我推荐本文作为探索全局平均池层的起点