Свертка и максимальное объединение — это английский термин, обычно используемый в области компьютерного зрения и глубокого обучения. Вот несколько методов, связанных со сверткой и максимальным объединением:

1. Сверточные нейронные сети (CNN): CNN — это класс глубоких нейронных сетей, обычно используемых для классификации изображений и распознавания объектов. Они используют сверточные слои, которые применяют фильтры (ядра) к входным изображениям, извлекая важные функции.

2. Пошаговая свертка. При пошаговой свертке фильтр (ядро) перемещается по входному изображению с шагом больше 1, что приводит к уменьшению дискретизации на выходе. Это уменьшает пространственные размеры карт объектов.

3. Расширенная свертка. Расширенная свертка, также известная как атральная свертка, включает в себя введение промежутков или отверстий между элементами ядра. Это позволяет расширить рецептивное поле без увеличения количества параметров.

4. Транспонированная свертка (деконволюция). Транспонированная свертка используется для повышения дискретизации или создания карт объектов с более высоким разрешением. Он выполняет операцию, обратную стандартной свертке, сопоставляя несколько входных значений с одной выходной позицией.

5. Уровни объединения: Максимальное объединение — это распространенный тип операции объединения, используемый в CNN. Это уменьшает пространственные размеры карт объектов, выбирая максимальное значение в каждой области объединения. Объединение средних значений – это еще один вариант, в котором вместо максимального значения принимается среднее значение.

6. Объединение глобальных средних значений. Вместо использования полностью связанных слоев в конце CNN глобальное объединение средних значений вычисляет среднее значение каждой карты объектов, что приводит к векторному представлению фиксированной длины.

7. Дробное максимальное объединение: дробное максимальное объединение разделяет входные данные на перекрывающиеся области и выбирает максимальное значение из каждой области, обеспечивая более гибкие коэффициенты понижающей дискретизации.

8. Объединение пространственных пирамид: объединение пространственных пирамид разделяет входную карту объектов на несколько субрегионов и выполняет операции объединения независимо для каждого субрегиона. Он собирает многомасштабную информацию для входных данных переменного размера.

9. Адаптивное объединение: адаптивное объединение динамически адаптирует области объединения к входному размеру. Это позволяет CNN обрабатывать входные данные произвольных размеров и выдавать выходные данные фиксированного размера.

10. Групповая свертка. Групповая свертка делит входные данные и фильтрует их на группы и выполняет свертку независимо внутри каждой группы. Это может снизить сложность вычислений и способствовать разнообразию функций.