Descripción: El Agrupamiento Promedio Global (Global Average Pooling, GAP) es una operación utilizada en las Redes Neuronales Convolucionales (CNN) que transforma la salida de cada mapa de características en un único valor promedio. Esta técnica se aplica generalmente en la etapa final de la red, justo antes de la capa de clasificación. A diferencia de las capas de agrupamiento tradicionales, que pueden reducir la dimensionalidad de los mapas de características mediante la selección del valor máximo o promedio en una región específica, el GAP toma el promedio de todos los valores en cada mapa de características, resultando en una representación más compacta y menos propensa al sobreajuste. Esta operación no solo simplifica la arquitectura de la red, sino que también permite que el modelo sea más robusto ante variaciones en la entrada, como cambios en la escala o la posición del objeto en la imagen. Además, el GAP elimina la necesidad de aplanar los mapas de características, lo que puede ser beneficioso en términos de eficiencia computacional y reducción de parámetros. En resumen, el Agrupamiento Promedio Global es una técnica clave en el diseño de CNN modernas, contribuyendo a la mejora del rendimiento y la generalización de los modelos en tareas de clasificación de imágenes y reconocimiento de patrones.
Historia: El concepto de Agrupamiento Promedio Global se popularizó en el ámbito de las Redes Neuronales Convolucionales a partir de 2014, cuando fue introducido en el artículo ‘Going Deeper with Convolutions’ por Christian Szegedy y su equipo en Google. Este trabajo presentó la arquitectura Inception, que utilizaba GAP como una forma de reducir la complejidad del modelo y mejorar la generalización. Desde entonces, el GAP ha sido adoptado en diversas arquitecturas de CNN, convirtiéndose en una práctica común en el diseño de modelos de aprendizaje profundo.
Usos: El Agrupamiento Promedio Global se utiliza principalmente en tareas de clasificación de imágenes, donde se requiere una representación compacta de las características extraídas por la red. También se aplica en la detección de objetos y en sistemas de recomendación, donde se busca resumir la información de múltiples características en un solo valor. Su uso es especialmente relevante en modelos que requieren una alta eficiencia computacional y una menor propensión al sobreajuste.
Ejemplos: Un ejemplo notable del uso de Agrupamiento Promedio Global se encuentra en la arquitectura Inception, donde se utiliza para reducir la dimensionalidad de las características antes de la capa de clasificación. Otro caso es el modelo ResNet, que también implementa GAP para mejorar la eficiencia y la generalización del modelo en tareas de clasificación de imágenes en competiciones como ImageNet.
