---
title: "プーリング（Pooling）"
description: "プーリング（Pooling）について、G検定で問われる画像認識・CNN分野の観点から、画像タスクでの役割、特徴抽出の流れ、代表モデルとの関係を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/pooling/"
section: "gk"
---

## まず結論

* **プーリングは特徴マップを縮小する処理**
* 重要な特徴を残しつつ **計算量と過学習を抑える**
* **位置ズレに強くなる** のが大きな利点

---

## 直感的な説明

プーリングは、

> 「細かい情報を少し捨てて、大事なところだけ残す」

処理です。

* 多少位置がズレても同じ特徴とみなす
* 情報をまとめて扱う

ことで、
**安定した認識** ができるようになります。

---

## 定義・仕組み

### プーリング層とは

* 畳み込み後の **特徴マップ** に対して適用
* 一定範囲ごとに代表値を取り出す

---

### Max Pooling

* 範囲内の **最大値** を採用

**特徴**

* 強い特徴を残しやすい
* 画像認識で最も一般的

---

### Average Pooling

* 範囲内の **平均値** を採用

**特徴**

* 全体的な傾向を反映
* Max Poolingより使われる頻度は低い

---

### 出力サイズへの影響

* プーリングサイズが大きいほど

  * 出力サイズは小さくなる
  * 情報は粗くなる

---

## いつ使う？（得意・不得意）

### 得意なこと

* 位置ズレへの耐性（平行移動不変性）
* 計算量削減
* 過学習の抑制

### 注意点

* 情報を捨てるため

  * 細かい位置情報は失われる

---

## G検定ひっかけポイント

* ❌「プーリングは学習される」→ **誤り**
* ❌「プーリングは特徴を増やす」→ **誤り**
* ✅ プーリングは **固定処理**
* ✅ 位置ズレに強くなる
* ✅ Max Poolingが主流

---

## まとめ（試験直前用）

* プーリングは **特徴マップ縮小**
* Max Poolingが定番
* 位置ズレに強くなる
* 情報を捨てる点に注意

👉 次は **CNN代表モデルまとめ（LeNet / AlexNet / VGG / ResNet）** です。