✅شیوه کار لایه Pooling در شبکه های کانولوشنالی

✍لایه پولینگ، اندازه تصویر رو کاهش میده، اما ویژگی های خیلی مهم تصویر رو حفظ میکنه. در لایه های پولینگ فقط مسئله کاهش بعد نیست، بلکه این لایه کمک میکند شبکه عصبی تعمیم پذیر باشه، الگوی های کلیدی رو برجسته می کند، و پیچیدگی محاسباتی رو به شدت کاهش میدهد.

همانطور که در این ویدیو میبینیم این شخص میاد تصویر رو به نوارهای افقی و عمودی برش میزنه و چهار نسخه کوچکتر از اصلیش میسازه. درسته که کیفیتش (رزولوشن مکانی) کمتر میشه، ولی هنوز به اندازه کافی جزئیات داره که بشه تشخیصش داد.

این فرایند دقیقاً شبیه همون چیزیه که در pooling شبکه‌های عصبی کانولوشنی (CNN) اتفاق میافته.

مزایای لایه پولینگ لایه Pooling اندازه تصویر رو کوچکتر میکنه ولی ویژگی‌های مهمش رو نگه میداره. این کار فقط فشرده‌سازی نیست، بیشتر مثل عصاره گیری کردنه. با تمرکز روی عناصر برجسته، pooling به شبکه عصبی کمک می‌کنه:
- الگوهای کلیدی رو برجسته کنه
- پیچیدگی محاسباتی رو کم کنه
- تعمیم پذیری مدل رو بهتر کنه

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme