プーリング層シミュレーター — CNN

画像認識AI（CNN）：プーリング層は、物体検出・顔認識・医療画像診断・自動運転の画像系AIで広く使われる基本部品です。手書き数字認識のLeNet、ImageNetで一世を風靡したAlexNetやVGGは、いずれも「畳み込み層＋最大プーリング層」をワンセットで何度も重ねた構造でした。プーリングが空間サイズを段階的に縮めることで、ネットワークは局所的なエッジから、より広い領域の物体パーツや全体形状へと、受容野を広げながら特徴を抽象化していきます。

計算量とメモリの削減：高解像度の特徴マップをそのまま深い層まで持ち越すと、計算量とメモリが爆発します。ストライド2のプーリングを1回かけるだけで特徴マップの面積は4分の1になり、後続の全層の演算量とメモリが大きく軽くなります。これにより、限られたGPUメモリでも深いネットワークを学習でき、スマートフォンなどのエッジデバイスでの推論も現実的になります。

大域平均プーリング（Global Average Pooling）：近年のCNNでは、ネットワークの最終段で特徴マップ全体（H×W）を1つの値に平均する「大域平均プーリング」が定番です。これは全結合層の代わりに使われ、膨大なパラメータを削減しつつ過学習を抑え、特徴マップとクラスの対応を分かりやすくします。クラス活性化マップ（CAM）による可視化も、この大域平均プーリングを土台にしています。

信号処理・時系列データ：プーリングの考え方は画像だけでなく、1次元の音声・センサー信号にも応用されます。1次元の最大プーリングや平均プーリングで時系列を間引くことで、音声認識や異常検知のネットワークが時間方向のずれに頑健になり、計算も軽くなります。ダウンサンプリングという発想は、CAEの計算結果のマルチグリッド的な粗視化とも通じる、工学に共通の考え方です。

まず多いのが、「プーリングは学習している」という誤解です。プーリング層には学習可能な重みが1つもなく、学習パラメータ数は常に0です。誤差逆伝播では、最大プーリングなら「最大値を取った画素にだけ勾配を流す」、平均プーリングなら「窓内に均等に勾配を分配する」という固定のルールで勾配が伝わるだけで、層自体が賢くなることはありません。賢くなるのは重みを持つ畳み込み層や全結合層です。プーリングはあくまで固定のダウンサンプリング操作だと理解しておきましょう。

次に、「出力サイズの計算で端数を切り捨てる」点の見落としです。出力サイズは outN = floor((N−k)/s)+1 で、floor（切り捨て）が入ります。入力サイズ N とプールサイズ k、ストライド s の組み合わせによっては、入力の端のほうの数画素が、どのプーリング窓にも入らず無視されることがあります。これに気づかないと、計算したつもりの出力サイズと実際のサイズがずれ、後続の層の形状不一致エラーにつながります。パディングを入れてサイズを揃える設計もよく使われます。

最後に、「平行移動不変性を過大評価する」ことです。プーリングが与える不変性は、せいぜい窓のサイズ程度の小さなずれに対するものです。物体が画像内で大きく移動したり、回転・拡大縮小したりする変化には、プーリングだけでは対応できません。大きな位置ずれや姿勢変化に強くするには、学習データを増やすデータ拡張（平行移動・回転・反転）や、より大域的な仕組みが必要です。プーリングは「小さなずれを吸収する保険」であって、万能の不変性を与える魔法ではない、と捉えるのが正確です。