1、平均池化mean-pooling。
邻域点周围取平均值。能很好的保留背景，但容易使得图片变模糊。
2、最大池化max-pooling。
邻域点内取最大值。能很好的保留纹理特征。
3、随机池化stochastic-pooling。
按特征图中元素概率值大小随机选择。泛化性强。
4、全局平均池化global-average-pooling。
代替全连接层，整幅特征图进行平均池化。大大减少参数个数和过拟合现象。
5、空间金字塔池化spatial-pyramid-pooling。
进入SPP层 。我们先看最左边有16个蓝色小格子的图，它的意思是将从conv5得到的特征映射分成16份，另外16X256中的256表示的是channel，即SPP对每一层都分成16份(不一定是等比分，原因看后面的内容就能理解了)。中间的4个绿色小格子和右边1个紫色大格子也同理，即将特征映射分别分成4X256和1X256份
那么将特征映射分成若干等分是做什么用的呢？ 我们看SPP的名字就是到了，是做池化操作，一般选择MAX Pooling，即对每一份进行最大池化。
我们看上图，通过SPP层，特征映射被转化成了16X256+4X256+1X256 = 21X256的矩阵，在送入全连接时可以扩展成一维矩阵，即1X10752，所以第一个全连接层的参数就可以设置成10752了，这样也就解决了输入数据大小任意的问题了。
6、空洞空间卷积池化金字塔Atrous Spatial Pyramid Pooling。
设计了几种不同采样率的空洞卷积来捕捉多尺度信息。
