問題 No.1299
畳み込みニューラルネットワークにおいて、畳み込み層の後に適用されるプーリング層では、特徴マップの局所的な領域から最大値を取り出す最大プーリングが広く用いられる。この処理を導入する最大の数理的・表現上の目的はどれか。
【正解の解説】
入力データの微小な位置のズレや回転に対して、出力が変化しにくくなる不変性を獲得するため。
最大プーリング（Max Pooling）は、例えば2x2の領域から最大値だけを抽出して解像度をダウンサンプリングします。これにより、画像内で検出対象（目や鼻など）の位置が数ピクセル左右に移動しても出力値が変化しにくくなり、位置のズレに対する強力な不変性を獲得できます。
スポンサーリンク
【その他の選択肢の解説】
重みパラメータの数を増やして、モデルの表現力を大幅に向上させるため。
プルーニング層（Max Pooling等）は、局所領域から最大値や平均値を機械的に算出する固定処理を行うため、学習によって更新される重みパラメータ（Weight）を一切持ちません。パラメータ数を増やすのではなく、計算量を削減する役割を担います。
データの平均値をゼロに近づけることで、内部共変量シフトによる学習の不安定化を解消するため。
学習の進行に伴って各層への入力データの分布が変化する「内部共変量シフト」を防ぐのは、ミニバッチごとにデータを平均0・分散1に揃えるバッチ正規化の機能です。解像度を要約するプーリング処理の目的とは全く異なります。
すべてのピクセルの微細なテクスチャ情報を一切損失させることなく、出力層へ伝達するため。
プーリング処理を行うと、局所的な数ピクセルの詳細な数値や細かなテクスチャ情報は敢えて削ぎ落とされ、領域内で最も強力な特徴（最大値など）のみが残ります。微細な情報を損なわずに伝達するという記述は処理の本質と正反対です。