Bilinear CNN（双线性）
1、特征学习方式：两个网络学习同一张图片
2、特征融合方式：
对应位置的两个特征描述符求外积，所有位置求和池化（SCDA视角类似）
传统的特征融合方法：
sum/avg：只用了一阶信息。bilinear pooling 用了二阶统计信息，意在当一阶信息相同的时候利用二阶信息的不同来做分类。
feature concatenation：从代数上可以看做direct sum。 bilinear pooling可以看做direct product。特征维度会很高，可以做细粒度分类的同时也容易过拟合。
融合后的特征维数=特征x和特征y的维数之积, 原作者尝试了PCA降维，但效果并不理想。
高维问题改进方法C-BCNN KP LRBP G2DeNet Isqrt-cov DBTNet-50 MOMN
以平移不变的方式（全局池化），对局部的对级（pairwise）特征交互进行建模，适用于细粒度分类。
平移不变性： https://bbs.cvmart.net/articles/240/cnn-de-ping-yi-bu-bian-xing-xiang-jie