不断学习得到一个表达能力强的feature，表示图像时候做了个全局pooling,相当于取了一个均值，从统计的意义上说均值只是一阶的信息。
深度分类网络主要分为两个部分：特征提取和分类器。无论是VGG还是GoogleNet，后来的Resnet、Densenet，仔细观察可以发现，无论设计了多么性能优异的网络，在连接分类器之前，一般都连接了一个Pooling层，如下表所示：
无论是Average Pooling也好，还是Max Pooling也好，终究使用的是关于feature的一阶信息。一阶信息往往简单，快速、有效，但并不是所有时候。举个简单例子：学校跳绳队从小张、小明两人中拍一个人去参加比赛，测验10次，很巧合地是二人的平均成绩相同，那么怎么选择呢？于是我们考虑了方差，选择方差小的队员去参加比赛。回过头来思考分类问题，尤其是细分类问题，我们是不是也可以理解为由于细分类问题中类间差异不显著，一阶信息有一些不适用了呢？那么二阶信息是否可以带给分类器更有区分性、更有价值的信息呢？
(MPN-Cov)Is Second-order Information Helpful for Large-scale Visual Recognition?
扫一扫
8878
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
