FlexPooling

FlexPooling 方法将 CNN 准确率提升 1-3%

研究人员推出了一种新颖的自适应池化方法 FlexPooling，用于深度卷积神经网络，该方法学习激活的加权平均值。该方法旨在在下采样过程中保留关键信息，其性能优于标准的池化技术，如最大池化和平均池化。当与 Simple Auxiliary Classifiers 结合使用时，FlexPooling 在各种图像分类数据集上表现出持续 1-3% 的准确率提升。