全局平均池化
Parent: ai_keywords
全局平均池化（Global Average Pooling, GAP）
核心定义
全局平均池化是一种深度学习中的空间下采样操作，将特征图（feature map）每个通道的所有空间位置（宽度×高度）的特征值取平均，输出一个维度等于通道数的标量向量。与全连接层不同，它无参可训练，直接强制模型学习通道维度的语义特征。
关键技术点
- 无参降维与正则化：GAP 取代全连接层实现从特征图到分类向量的映射，极大减少参数量，抑制过拟合。其平均操作天然引入平滑性，增强模型对空间位移的鲁棒性。
- 保留通道语义：每个通道经池化后对应一个类别置信度（或任务相关编码），使特征图直接成为类别激活图（Class Activation Map, CAM）的基础，便于可视化。
- 计算与梯度特性：前向为均值计算，反向梯度均匀回传至所有空间位置，避免全连接层参数梯度爆炸；计算复杂度低，利于端到端训练。
- 局限与变体：对空间细节不敏感，在需要精确位置的任务（如分割）中常与逐点卷积组合；变体包括全局最大池化、全局加权池化及自适应池化。
医学/神经科学应用场景（首都医科大学神经病学研究背景）
在首都医科大学脑重大疾病研究中心的多中心阿尔茨海默病（AD）早期诊断项目中，GAP 被嵌入3D卷积神经网络（3D-CNN）以分析来自宣武医院、天坛医院的fMRI静息态数据。原始3D脑激活图（尺寸96×96×48，通道数128）经多个3D卷积层和批归一化后，由GAP层压缩为128维向量，直接输入softmax分类器。该设计有效利用了GAP的无参特性，在仅有300个受试者（含轻度认知障碍MCI、AD及正常对照）的小样本数据中，将参数量从传统三层全连接网络的2.1M降至0.3M，并引入隐式空间平滑，抑制了fMRI扫描仪噪声导致的过拟合。最终，结合GAP生成的类别激活图（将128维向量加权映射回原脑空间），定位出AD显著相关的海马体、后扣带回及楔前叶区域，为早期神经退行性病理标志物挖掘提供了可解释性依据。
