用于卷积神经网络的 α-积分池化

卷积神经网络（CNNs）已在许多应用中取得显著性能，尤其在图像识别任务中。作为 CNNs 的关键组成部分，下采样对于高效训练或不变性属性起着重要作用，最大池化和算术平均池化是常用的下采样方法。然而，除了这两种池化方法外，还可能存在许多其他池化类型，例如几何平均、调和平均等。由于算法难以找到最佳池化方法，通常池化类型是预先设定的，这对于不同任务可能并非最优。遵循深度学习哲学，池化类型可由数据针对给定任务驱动。在本文中，我们提出 {\it $\alpha$-积分池化}（$\alpha$I-pooling），其具有可训练参数 $\alpha$ 以寻找池化类型。$\alpha$I-pooling 是一种通用池化方法，包含最大池化和算术平均池化作为特例，取决于参数 $\alpha$。实验表明，$\alpha$I-pooling 在图像识别任务中优于包括最大池化在内的其他池化方法。此外，结果表明每一层具有不同的最优池化类型。