最終更新日:2026年9月24日
gk neural_network cnn pooling
まず結論
プーリング(Pooling)は、特徴マップの局所領域を代表値でまとめ、空間サイズを縮小する処理です。
代表例は、
- Max Pooling → 最大値
- Average Pooling → 平均値
です。
通常、学習可能な重みを持たない固定処理として使われます。
直感的な説明
細かな位置情報を少し捨てて、局所領域の特徴をまとめるイメージです。
たとえば2×2領域を1値にすると、
- Max Pooling → 最も大きい値
- Average Pooling → 4値の平均
を残します。
定義・仕組み
Max Pooling
局所領域の最大値を出力します。
強く反応した特徴を残す代表的な方法です。
Average Pooling
局所領域の平均値を出力します。
領域全体の平均的な反応を残します。
空間サイズ
カーネルサイズとストライドによって、出力の高さ・幅が小さくなることがあります。
その結果、
- 後段の計算量を減らす
- 細かな位置変化への感度を弱める
効果が得られます。
ただし、
プーリングを入れると完全な平行移動不変性が得られる
とは言いません。
小さな位置変化に対して表現が変わりにくくなる場合がある、と整理します。
いつ使う?(得意・不得意)
CNNで空間サイズを縮小したい場合に使われます。
一方、現在のCNNでは、
- ストライド付き畳み込み
- Global Average Pooling
など別の縮小方法も使われます。
したがって、
Max PoolingがすべてのCNNで必須
ではありません。
G検定ひっかけポイント
プーリング=学習する層?
❌ 通常のMax/Average Poolingに学習パラメータがある
⭕ 代表的には固定処理
完全な不変性?
❌ 位置がどれだけ変わっても出力が同じ
⭕ 小さな位置変化への感度を弱めることがある
MaxとAverage
- 最大値 → Max Pooling
- 平均値 → Average Pooling
まとめ(試験直前用)
- Pooling=局所領域を要約
- Max=最大値
- Average=平均値
- 空間サイズ縮小に利用
- 通常は学習パラメータを持たない
- 完全な平行移動不変性とは言わない
- Max Poolingは必須ではない