重叠池化层：扩大卷积核感受野，提升卷积神经网络特征提取能力

重叠池化层通过设置小于池化窗口大小的步长，实现池化操作之间的重叠，从而使得池化操作之间存在重叠区域。这样一来，每个池化操作的输出都包含了前一个池化操作输出的一部分信息，从而扩大了卷积核的感受野。这种感受野的扩大可以使得卷积神经网络能够捕捉更大范围的特征信息，从而提高了模型的表达能力和准确性。同时，重叠池化层还可以减少特征图的空间大小，并且保留了原始特征图中的部分信息，从而有效减少了模型的计算复杂度和参数量。因此，重叠池化层是卷积神经网络中非常重要的一层，它可以提高模型的性能和效率。