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。

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！

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

に書きましたので、参考にしていただければと思います。