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