プーリングは空間プーリングのことで、畳み込みニューラルネットワークにおいて特徴を抽出するための方法であり、異なる特徴に対して集約統計処理を行うことで、相対的に低い次元を得ると同時に、過学習現象の発生を回避します。

プーリングは各特徴マップの次元を下げると同時に、大部分の重要な情報を保持します。現在、主に最大化、平均化、加算などの方法があります。

一般的なプーリング操作

最も一般的なプーリング操作には、平均プーリング（mean pooling）と最大値プーリング（max pooling）の2種類があります。

• 平均プーリング：画像領域の平均値を計算し、それをその領域のプーリング後の値とします。

• 最大値プーリング：画像領域の最大値を選択し、それをその領域のプーリング後の値とします。

空間近傍を定義し、修正特徴マップから最大の要素を取り出すこともできますし、平均値を取ることもできます。

プーリングの役割

プーリング関数は、入力表現の空間スケールを徐々に下げることができます：

• 特徴次元を下げ、ネットワーク内のパラメータと計算量をよりコントロール可能なレベルで削減します；

• ネットワークを入力画像のより小さな変化、冗長性、変換に対して不変にします；

• 画像の最大限の尺度不変性を取得するのを支援します。