说到Pooling,相信学习过CNN的朋友们都不会感到陌生。Pooling在中文当中的意思是“池化”,在神经网络当中非常常见,通常用的比较多的一种是Max Pooling,具体操作如下图:
结合图像理解,相信你也会大概明白其中的本意。不过Pooling并不是只可以选取2×2的窗口大小,即便是3×3,5×5等等没问题,步长(Stride)也是一个道理。除了在神经网络方面,Pooling为图片打马赛克也是可以取得不错的效果,结合几个例子看看。
我们可以用Max Pooling先看看效果如何:
Min Pooling和Average Pooling的操作也差不多,只不过把对应的操作函数变了而已。
Min Pooling:
小动物的皮肤颜色都换了,再看看Average Pooling:
综上来看,Average Pooling似乎更加逼真一些,不过换一张图片可能效果就不一样了。
以下是Pooling操作的代码:
import cv2import numpy as npdef average_pooling(img, G=5): out = img.copy() H, W, C = img.shape Nh = H // G Nw = W // G for y in range(Nh): for x in range(Nw): for c in range(C): out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64) return out
def max_pooling(img, G=5): out = img.copy() H, W, C = img.shape Nh = H // G Nw = W // G for y in range(Nh): for x in range(Nw): for c in range(C): out[G*y:G*(y+1), G*x:G*(x+1), c] = np.max(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64) return out
def min_pooling(img, G=5): out = img.copy() H, W, C = img.shape Nh = H // G Nw = W // G for y in range(Nh): for x in range(Nw): for c in range(C): out[G*y:G*(y+1), G*x:G*(x+1), c] = np.min(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64) return out
由于是多颜色通道的图片,所以记得别漏了这个参数。