Deep Learningのテクニックの一つであるGlobal Average Pooling（GAP）を、なるべくわかりやすいように（自分がｗ）解説してみます。
基本となるネットワークモデル
今回はVGG-16をベースに考えてみます。
ポイントとなるのは、最後の全結合の部分です。
現状は、max poolingにより、7x7x512のデータができています。
これを1x1x4,096に全結合してますので、25,088×4,096=102,760,448の重みパラメータが存在しています。
Global Average Poolingとは
各チャンネル（面）の画素平均を求め、それをまとめます。
そうすると、重みパラメータは512で済みます。
評価
論文（pdf）によると、識別率に問題はない模様です。
（反対に良いぐらい！）
使用するメモリ量は少なく、識別率もよいなんて、いいことづくめですね！
おまけ
このGAPを利用した物体位置の検出がClass Activation Mapping（CAM）になります。
この辺りは
- Class Activation Mapping（CAM）の実装である「Weakly_detector」のソースを読み解く ～トレーニング編～
- Class Activation Mapping（CAM）の実装である「Weakly_detector」のソースを読み解く ～可視化編～
に書きましたので、参考にしていただければと思います。