アベレージプーリング（平均値プーリング） (G検定)

1. 定義と概要

アベレージプーリング（平均値プーリング）とは、CNNのプーリング層（畳み込み層の後で特徴マップを小さくまとめる層）で使われる代表値の抽出方式です。入力される特徴マップを2×2などの小領域、いわゆるウィンドウ（プーリングで一度にまとめて処理する小さな範囲）に区切り、各領域に含まれる値の合計を要素数で割った平均値を1つの代表値として抽出します。

例えば2×2のウィンドウ内に8・2・6・4という4つの値が並んでいれば、その平均である5が代表値として採用されます。4つの数値が1つの数値にまとまるため、特徴マップの縦横の大きさはウィンドウの分だけ小さくなります。

畳み込み層で得られる特徴マップはそのままだと次元が大きく、後段の処理にかかる計算量やパラメータ（モデルの内部で学習によって調整される数値）の数が膨らみます。あわせて、過学習（学習データに適応しすぎて未知のデータへの対応力が落ちる現象）のリスクも高まります。そこでプーリング層が空間方向の次元を圧縮する役割を担います。

代表値の採り方には、領域内の最大値を採るマックスプーリングと、領域内の平均値を採るアベレージプーリングという2つの方式があり、どちらの値を残すかによって特徴マップの性質が変わります。同じ大きさのウィンドウで区切っていても、後段の層へ渡される数値の意味合いが変わるという関係です。

2. 試験対策ポイント

まず整理したいのは、対になるマックスプーリングとの違い、プーリング層に共通する効果、そして発展形であるGAPとの関係です。

アベレージプーリングは領域内の値を均等に取り込むため、特徴マップ全体の傾向をなだらかに保持する処理です。最も強い値だけを抽出して特徴を際立たせるマックスプーリングとは性質が逆であり、取り違えやすい点です。両者の説明を入れ替えた記述に出会ったときに、どちらの方式の話なのかを代表値の採り方から判断できる状態にしておくと安心できます。

プーリング層に共通する効果として、計算量とパラメータ数の削減、過学習の抑制、そして入力の位置ズレに対する頑健性（対象の位置が多少ずれても同じように認識できる性質）の3点が、アベレージ・マックス両方式に共通する論点として扱われます。

発展形にあたるのがGAPです。チャンネル（特徴マップの中で色やフィルタごとに分かれた層）ごとに特徴マップ全体の平均を1つの値へ集約し、CNN終盤の全結合層（すべてのノードをつなげて最終的な判断を行う層）を置き換える手法として位置づけられます。

削減の効果は数値で見ると分かりやすくなります。VGG-16の7×7×512の特徴マップを例にすると、全結合層では約1億276万個（7×7×512=25,088 × 4,096 の重み）のパラメータが必要になる一方、GAPではチャンネル数と同じ512個まで削減できます。

3. 関連概念との比較・相違点

マックスプーリングとの最大の違いは、代表値の採り方と、それによって保持される情報の性質にあります。アベレージプーリングは領域内の値を平均するため特徴マップ全体の傾向をなだらかに保持するのに対し、マックスプーリングは領域内の最大値だけを残すため最も強い特徴を際立たせます。同じプーリング層の中でも、どちらの方式を選ぶかによって後段に伝わる情報の質が変わるという関係にあります。

GAPとの最大の違いは適用範囲にあります。アベレージプーリングは特徴マップを2×2などの小領域に区切って処理する局所的な操作であるのに対し、GAPはチャンネル全体を一度に1つの値へ集約する全体的な操作です。用途の面でも、アベレージプーリングは中間層での次元圧縮に使われるのに対し、GAPはCNN終盤で全結合層を置き換える役割を担うという違いがあります。

3つの処理の関係を、代表値の採り方・適用範囲・主な用途の3つの軸で並べると次のように整理できます。

方式	代表値の採り方	適用範囲	主な用途
アベレージプーリング	領域内の値の平均	2×2などの小領域	中間層での次元圧縮
マックスプーリング	領域内の最大値	2×2などの小領域	最も強い特徴の強調
GAP	チャンネル全体の平均	チャンネル全体	CNN終盤で全結合層を置き換え

平均を採る点ではアベレージプーリングとGAPは同じ系統にありながら、区切った小領域を対象にするのか特徴マップ全体を対象にするのかで役割が分かれます。この軸の違いを押さえておくと、3つの処理を混同しにくくなります。

4. ビジネス・実務での活用シナリオ

医療画像診断の分野では、CT・MRI画像から組織のパターンを認識する場面でアベレージプーリングが使われます。局所的な撮影ノイズの影響を平均によって打ち消しやすいため、細かな輪郭よりも組織全体の濃淡の傾向を把握したい場面に適した処理となっています。

モデル軽量化・エッジ実装の分野では、画像分類CNNの終盤にGAPを配置して全結合層を置き換える設計が採られます。パラメータ数を大幅に削減できるため、メモリ容量や電力に制約のあるエッジデバイス（データが発生する現場の近くで処理を行う機器）向けにモデルを設計する際に役立ちます。

画像認識モデルの設計判断においても、両方式の使い分けが行われます。輪郭やエッジなど際立った特徴を残したい層ではマックスプーリングが選ばれ、背景のテクスチャなど全体的な情報を均して保持したい層ではアベレージプーリングが選ばれるというように、層ごとに適した方式を選ぶ判断がなされています。

5. 要点まとめ

• アベレージプーリングは領域内の値の平均を代表値として抽出し、特徴マップ全体の傾向をなだらかに保持する処理で、最大値を抽出するマックスプーリングと対比されます。
• プーリング共通の効果として、計算量・パラメータ数の削減、過学習の抑制、入力の位置ズレに対する頑健性があります。
• GAP（グローバルアベレージプーリング）はチャンネル全体を1つの値に集約し、CNN終盤の全結合層を置き換えてパラメータ数を大幅に削減する手法として発展しています。

6. 確認問題