Havuzlama (Pooling)

Havuzlama nedir?

Havuzlama (pooling), özellikle convolutional neural network •görüntü işleyen sinir ağı• mimarilerinde kullanılan bir küçültme işlemidir. Bir özellik haritasını (feature map) alır, onu küçük bölgelere böler ve her bölgeyi tek bir değere indirger. Sonuçta veri boyutu düşer ama en belirgin bilgi korunur. Yani "büyük resmi kaybetmeden ayrıntıyı seyrelt" mantığıdır.

Nasıl çalışır?

En yaygın türü max pooling'dir: her bölgedeki en büyük değeri alır, çünkü en yüksek aktivasyon genelde en güçlü özelliği temsil eder. Örneğin 2x2'lik bir pencere, dört değerden yalnızca en büyüğünü geçirir ve haritayı dörtte birine indirir. Bir diğer tür average pooling, bölgedeki değerlerin ortalamasını alır ve daha yumuşak bir özet üretir. Modern mimarilerde katmanların en sonunda global average pooling da sık kullanılır; tüm haritayı tek bir sayıya indirger.

Havuzlama katmanının öğrenilecek bir parametresi •modelin eğitimle ayarladığı sayısal değer• yoktur; sabit bir kuralla çalışır. Bu yüzden ağı yavaşlatmadan boyut küçültür.

Neden önemli?

Havuzlama iki temel fayda sağlar. Birincisi, veriyi küçülterek hesap yükünü ve bellek kullanımını azaltır; ağ daha hızlı ve hafif olur. İkincisi, konumsal değişmezlik kazandırır: bir nesne görüntüde birkaç piksel kaysa bile havuzlama sonrası temsil büyük ölçüde aynı kalır. Bu, modelin ezberlemek yerine genellemesine yardımcı olur ve overfitting •modelin eğitim verisini ezberleyip yeni veride başarısız olması• riskini azaltır.

Kullanım alanları

Havuzlama, görüntü sınıflandırma, nesne tespiti ve yüz tanıma gibi neredeyse tüm klasik bilgisayarlı görü mimarilerinin yapı taşıdır. LeNet, AlexNet, VGG ve ResNet gibi tarihi öneme sahip ağların hepsinde havuzlama katmanları bulunur. Son yıllarda bazı mimariler havuzlamayı adımlı (strided) konvolüsyonlarla değiştirse de, kavram hâlâ derin öğrenmenin temel dağarcığında yer alır.