Некоторые преимущества использования Global Average Pooling (GAP) в архитектуре CNN:

• Устранение полносвязных слоёв. 1 Это помогает снизить переобучение и улучшить обобщаемость модели. 1
• Сохранение важных признаков. 1 GAP вычисляет среднее значение каждой карты признаков по всем пространственным измерениям, что позволяет сохранить важную информацию и избежать потери признаков во время операции пулинга. 1
• Упрощение архитектуры модели. 1 Замена полносвязных слоёв GAP снижает количество параметров в модели, что не только уменьшает риск переобучения, но и упрощает модель и делает её более интерпретируемой. 1
• Инвариантность к переводам. 15 GAP агрегирует локальные признаки в единое репрезентативное значение, что позволяет сети сосредоточиться на ключевых особенностях изображения и быть менее чувствительной к их точному пространственному расположению. 1
• Контроль переобучения. 1 GAP обеспечивает форму регуляризации и обобщения, что помогает контролировать переобучение. 1

В целом использование GAP улучшает точность, эффективность и общую производительность задач классификации изображений, обнаружения объектов и сегментации. 1