Bilinear CNN（雙線性）
1、特征學習方式：兩個網絡學習同一張圖檔
2、特征融合方式：
對應位置的兩個特征描述符求外積，所有位置求和池化（SCDA視角類似）
傳統的特征融合方法：
sum/avg：隻用了一階資訊。bilinear pooling 用了二階統計資訊，意在當一階資訊相同的時候利用二階資訊的不同來做分類。
feature concatenation：從代數上可以看做direct sum。 bilinear pooling可以看做direct product。特征次元會很高，可以做細粒度分類的同時也容易過拟合。
融合後的特征維數=特征x和特征y的維數之積, 原作者嘗試了PCA降維，但效果并不理想。
高維問題改進方法C-BCNN KP LRBP G2DeNet Isqrt-cov DBTNet-50 MOMN
以平移不變的方式（全局池化），對局部的對級（pairwise）特征互動進行模組化，适用于細粒度分類。
平移不變性： https://bbs.cvmart.net/articles/240/cnn-de-ping-yi-bu-bian-xing-xiang-jie