转自：http://www.gageet.com/2014/09182.php
本文部分参考了：http://www.zhihu.com/question/23437871
卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。
pooling的结果是使得特征减少，参数减少，但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性（旋转、平移、伸缩等），常用的有mean-pooling，max-pooling和Stochastic-pooling三种。
mean-pooling，即对邻域内特征点只求平均；
max-pooling，即对邻域内特征点取最大；
Stochastic-pooling，介于两者之间，通过对像素点按照数值大小赋予概率，再按照概率进行亚采样；
根据相关理论，特征提取的误差主要来自两个方面：（1）邻域大小受限造成的估计值方差增大；（2）卷积层参数误差造成估计均值的偏移。一般来说，mean-pooling能减小第一种误差，更多的保留图像的背景信息，max-pooling能减小第二种误差，更多的保留纹理信息。在平均意义上，与mean-pooling近似，在局部意义上，则服从max-pooling的准则。
PS.
在读lecun的文章，会持续更新。
从lecun的文章分析以及实验对比结果可以看到，基本上max pooling的效果胜出average pooling一筹。大概是average pooling更多保留的是背景信息的原因。不知道有没有背景建模里用到CNN，会不会这个地方用average pooling更好些？