笔记：Deep multi patch aggregation network for image style, aesthetics and quality estimation

在Image style, aesthetics and quality estimation三类任务中往往需要依靠更多的高像素(high resolution)图片中的细纹理(fine-grained)信息。通常CNN网络的输入是256*256*3的尺寸，通常的做法是，通常的做法是将一个高像素(比如1024*768)图片随机裁剪为一个patch，用这个patch表示整幅图像，这样会丢失掉其余部分的细纹理信息。本文用一个patch集合（multi patch）来表示整个图片。基于multiple patch，文章提出了一种特征学习以及聚集（aggregation）不同patch特征的框架。具体而言，首先在一个图片上提取多个patch，然后为每个patch做特征提取，将各个patch的特征进行聚集，从而得到用于分类的特征。在这个框架上，本文提出了两种用于特征聚集的方法，分别是statistics aggregation structure和fully-connected sorting aggregation。整个框架本文用下图表示：

这里的CNN表示下面结构中从input layer到fc256.（没有softmax层）

详细的步骤如下：
1） 对图像选择patch，构成patch集；训练阶段随机每个图像随机选取5个patch，测试阶段没个图片随机选取250个patch，每5个构成一个patches集合，作为第（2&