此文提出了 使用步长为2 卷积核为3的卷积层来代替pooling层 这里文章关于pooling层的作用提出了3个解释：1，pooling的范数使得CNN中的表达更加具有不变性。2，减小空间维度 使得上层的层能够覆盖到更大的input部分。 3，基于特征的pooling操作相比于会将特征混合在一起的卷积层能够更简单的优化。 文章认为只有第二点才是pooling层的主要作用 这样就完全可以被特殊的卷积层替代。 这里文章对于图像分类中的典型网络 使用卷积层替代pooling的方法 来进行实验 发现使用卷积层代替后 效果反而有所提升 验证了文章的想法。
