一种基于T-Max-Avg策略的池化方法技术

本发明专利技术涉及深度学习和图像处理技术领域，特别涉及一种基于T‑Max‑Avg策略的池化方法。包括如下步骤：步骤S1：对于每个池化窗口，通过参数K选取池化窗口中部分元素参与后续运算；步骤S2：将步骤S1中选取的部分元素和设定的阈值参数T进行大小比较，决定后续步骤中对元素进行的池化运算方式；步骤S3：根据步骤S2决定的池化运算方式，对池化窗口中选取的部分元素进行池化运算。本发明专利技术解决了传统池化算法中，最大池化使得部分特征信息丢失，平均池化使得图像特征模糊并且对噪声敏感的问题。

【技术实现步骤摘要】

本专利技术涉及深度学习和图像处理，特别涉及一种基于t-max-avg策略的池化方法。

技术介绍

1、卷积神经网络（cnn）是一种深度学习神经网络，在图像处理、语音识别、自然语言处理等领域取得了巨大成功。cnn的结构包括卷积层、池化层和全连接层等，其中池化层在特征提取过程中起着至关重要的作用。

2、其主要作用包括降维、减少计算量和提高模型的鲁棒性。具体来说，池化层通过对输入数据进行降采样操作，将输入数据的空间尺寸缩小，减少参数数量和计算量。这有助于简化模型的复杂度，加快训练速度，并且可以有效防止过拟合现象的发生，提高模型的泛化能力。

3、现有主流的池化算法主要包括最大池化和平均池化，最大池化是选择池化窗口内的最大值作为输出，以保留图像中的显著特征；而平均池化则计算池化窗口内像素值的平均值，以平滑特征图。这两种池化算法虽然方便实施，在一定程度上提高了模型的效率，但也存在一些局限性：

4、最大池化只保留了池化窗口内最显著的特征（最大值），必然会丢失一部分图像信息。在对小目标或细节特征较多的图像进行最大池化时，会造成较严重的信息本文档来自技高网...

【技术保护点】

1.一种基于T-Max-Avg策略的池化方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种基于T-Max-Avg策略的池化方法，其特征在于，所述步骤S1具体包括：

3.如权利要求2所述的一种基于T-Max-Avg策略的池化方法，其特征在于，所述步骤S2具体包括：

4.如权利要求3所述的一种基于T-Max-Avg策略的池化方法，其特征在于，所述步骤S3具体包括：

【技术特征摘要】

1.一种基于t-max-avg策略的池化方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种基于t-max-avg策略的池化方法，其特征在于，所述步骤s1具体包括：

3.如...

【专利技术属性】
技术研发人员：严奕诚，
申请(专利权)人：中电科申泰信息科技有限公司，
类型：发明
国别省市：