---
id: P-REINFORCE-AUTO-POOL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, pooling, cnn, computer-vision, deep-learning, dimension-reduction]
last_reinforced: 2026-04-20
---

# [[Pooling]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지적 요약의 힘: 이미지의 미세한 픽셀 정보를 다 가지고 있지 않아도, 핵심적인 특징(예: 코너나 엣지)만 골라내어 크기를 확 줄임으로써, 인공 신경망이 정보 과부하에 빠지지 않고 중요한 것에만 집중하게 만드는 다이어트 기법."

## 📖 구조화된 지식 (Synthesized Content)
풀링(Pooling)은 합성곱 신경망(CNN)에서 특성 지도의 해상도를 낮춰 연산량을 줄이고 중요한 특징을 강조하는 과정입니다.

1.  **대표적 기법**:
    *   **Max Pooling**: 해당 영역에서 가장 큰 값(가장 두드러진 특징)만 남김. (가장 널리 쓰임)
    *   **Average Pooling**: 영역의 평균값을 취함 (부드러운 요약).
2.  **이점**:
    *   **Invariance**: 사물이 이미지 안에서 살짝 옆으로 이동해도 동일하게 인식하는 강인함 제공.
    *   **Computational Efficiency**: 데이터 크기를 줄여 연산 속도 향상. (Efficiency와 연결)
    *   **Overfitting Reduction**: 세세한 부분(Noise)을 뭉개버려 과적합 방지. (Overfitting와 연결)

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 무조건 데이터 크기를 줄이는 정책이 효율적이라 믿었으나, 현대 정책은 정보 보존 정책을 중시하여 풀링 대신 보폭(Stride)을 넓린 합성곱(Strided Convolution) 정책을 사용해 정보 손실을 최소화하기도 함(RL Update).
- **정책 변화(RL Update)**: 최근의 트랜스포머 기반 비전 모델(ViT) 정책에서는 풀링 대신 '패치 임베딩' 정책이나 'Layer Norm' 정책 등을 활용해 전역적인 맥락을 더 정교하게 파악하는 방향으로 진화 중임.

## 🔗 지식 연결 (Graph)
- [[Computer Vision]], Deep Learning (DL), [[Efficiency]], [[Overfitting]], [[Noise]]
- **Modern Tech/Tools**: CNN, Global Average Pooling (GAP), Pytorch (nn.MaxPool2d).
---