【笔记】双线性池化（Bilinear Pooling）详解、改进及应用

点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要16分钟

跟随小博主，每天进步一丢丢

来自 | 知乎

作者丨林小北

来源丨https://zhuanlan.zhihu.com/p/62532887

本文仅供交流，如有侵权，请联系删除。

最近看了一系列bilinear pooling相关的文章，感觉有些文章写得比较抽象。费了不少功夫总算理顺了这些文章的关系，这里简单写个笔记记录一下~

一、简介

bilinear pooling在2015年于《Bilinear CNN Models for Fine-grained Visual Recognition》被提出来用于fine-grained分类后，又引发了一波关注。bilinear pooling主要用于特征融合，对于从同一个样本提取出来的特征x和特征y，通过bilinear pooling得到两个特征融合后的向量，进而用来分类。

如果特征x和特征y来自两个特征提取器，则被称为多模双线性池化（MBP，Multimodal Bilinear Pooling）；如果特征x=特征y，则被称为同源双线性池化（HBP，Homogeneous Bilinear Pooling）或者二阶池化（Second-order Pooling）。此外，有些文章也把bilinear model称为bilinear pooling（这么做是有原因的，下文会分析）。

原始的Bilinear Pooling存在融合后的特征维数过高的问题，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。基于降低bilinear pooling特征维数的思想，近年来的改进方案参见下表：

本文将包括以下内容：

1. 对bilinear pooling进行详细介绍，便于读者理解原文；

2. 建立bilinear pooling到bilinear model的联系，便于读者理解以MLB为核心的bilinear model相关文章。

3. 快速介绍对bilinear pooling的各种改进形式。

二、bilinear pooling详解

这里参考《Bilinear CNN Models for Fine-grained Visual Recognition》，CVPR 2015一文，给出bilinear pooling的详细定义。

对于图像     在位置     的两个特征     和     ， 进行如下操作：

直观上理解，所谓bilinear pooling，就是先把在同一位置上的两个特征双线性融合（相乘）后，得到矩阵     ，对所有位置的     进行sum pooling（也可以是max pooling，但一般采用sum pooling以方便进行矩阵运算）得到矩阵      ，最后把矩阵     张成一个向量，记为bilinear vector    。对   进行矩归一化操作和L2归一化操作后，就得到融合后的特征     。之后，就可以把特征    用于fine-grained分类了，如下图所示：

对于我们熟悉的图像特征，    ，而     和     分为别特征的通道数，把两个特征分别写成向量  

  

和     ，

有

记     ， 

    ，

即可用矩阵操作来表示生成     ，

即    

作者使用bilinear pooling对两种特征提取器进行融合，再用于fine-grained分类，取得不错的效果。bilinear pooling的形式简单，便于梯度反向传播，进而实现端到端的训练。

三、Second-order Pooling

Second-order Pooling最早出自ECCV2012的文章《Semantic segmentation with second-order pooling》，原文对Second-order Pooling的定义如下：

由于Second-order Pooling用到了特征x的二阶信息，所以在一些任务下能比一阶信息表现更为优秀。

对比bilinear pooling的定义，不难发现，当     的时候，二者是等价的。也就是说，二阶池化（Second-order Pooling）=同源双线性池化（HBP，Homogeneous Bilinear Pooling）。

下面介绍bilinear pooling的各种改进。

四、CBP: Compact Bilinear Pooling

CBP出自CVPR 2016《Compact bilinear pooling》一文，作者观察到在分类问题中，提取的特征常常采用SVM或者logistic regression，而这两种形式都可以被看作是线性核机器（linear kernel machines），具有如下的形式：

注意到

如果我们能够找到满足   的低维投影函数  ， 那么有

也就是说，当    时，有  。 基于这个思想，作者提出了采用了两种方法 Random Maclaurin (RM)和Tensor Sketch (TS)对bilinear pooling进行降维。具体细节如下：

五、MCBP: Multimodal Compact Bilinear Pooling

《Multimodal compact bilinear pooling for visual question answering and visual grounding》是EMNLP2016的文章。本文在CBP的基础上提出了MCBP，并将其应用于看图答题（VQA，visual question answering）领域。

注意到CBP是针对HBP进行改进的，对CBP的TS算法稍加改动，使其适用于融合不同模态的特征，即可得到MCBP，如下图所示。

在得到MCBP模块后，作者提出用于VQA的网络结构如下：

这个结构相当容易理解，就是一共用到了两次MCBP模块，第一个MCBP融合了文本和图像的特征进而用来提取图像的attention，第二个MCBP则把图像的attention特征与文本特征再一次融合，最终结果送入softmax分类器得到答案。

六、LRBP：Low-rank Bilinear Pooling

LRBP出自CVPR2017的文章《Low-rank bilinear pooling for fine-grained classification》，与CBP一样，都是假定采用的分类器是SVM来对HBP进行简化。

考虑SVM问题

的最优解w*，以及问题

的最优解W*，作者证明了

并且W*是实对称矩阵。实对称矩阵的一大优点是可以进行特征值分解，即

如果用两个低秩矩阵U+和U_去近W*，则问题转换为：

这样就避免了原始bilinear pooling里面   的计算，降低了计算量。

七、Grassmann Pooling

Grassmann Pooling出自ECCV 2018的文章《Grassmann Pooling as Compact Homogeneous Bilinear Pooling for Fine-Grained Visual Classification》，也是针对HBP的改进。

考虑形式为

的bilinear pooling，有引理如下：

也就是说，对矩阵 进行SVD分解，前k个左奇异向量组成的矩阵   是对矩阵 的低秩最优逼近。

基于这个引理，作者提出了Grassmann pooling如下:

显然，Grassmann pooling也能够简化bilinear pooling计算量。

上面提到的三种改进形式CBP、LRBP、Grassmann Pooling都是针对HBP的改进。MCBP直接对CBP改动用于多模态特征的融合，但是考虑到CBP的出发点是核函数，MCBP的改动其实有点站不住脚的。对于MBP的改进工作，主要是以MLB为基础。MLB的核心是利用Hadamard积来简化bilinear model的操作。在介绍MLB之前，先介绍一篇承上启下的工作，把bilinear pooling和billinear model建立联系。

八、从bilinear pooling到billinear model

《Factorized bilinear models for image recognition》是ICCV2017的文章，虽然本文也是针对HBP的研究，但成功地把bilinear model与bilinear pooling联系起来。而后面的工作MLB正是从bilinear model的角度出发去改进MBP。

首先介绍bilinear model，对于特征向量x和特征向量y，bilinear model是指形如

的操作。

忽视bilinear pooling的归一化操作，记HBP的特征为    ，

在分类任务中，我们常常会把提取的特征送入全连接层再送入softmax层。作者发现，这个操作与bilinear model是等价的，即

其中     是全连接层的参数矩阵，而    是与其相对应的一个矩阵。既然     是需要通过学习得到的，那不如直接写成bilinear model的形式，对    进行学习。

也就是说，bilinear pooling与bilinear model是等价的。更令人欣喜的是，这个结论对于MBP也是适用的，所以后面MLB直接针对bilinear model进行改进。

基于这个发现，作者提出了Factorized bilinear model，把特征的一阶信息和二阶信息都利用起来，进而更好的fine-grained分类，其形式如下：

这里利用低秩矩阵     来替代   ，简化了计算量。

九、MLB：Multimodal Low-rank Bilinear Pooling

有了上篇工作的介绍，理解MLB就非常容易了，MLB出自ICLR2017的文章《 Hadamard product for low-rank bilinear pooling》。文章核心是用Hadamard积（就是按元素乘）来实现bilinear model，把

写成了

这样的好处是，利用低秩矩阵     及     来近似     ，并且简化了操作。

当希望bilinear model的输出是向量的时候，只需扩大矩阵      及    ，并采用矩阵     控制输出的长度即可，如下所示：

本文的写作相当严谨，各个矩阵的尺寸大小均有注明，有兴趣的读者自行翻阅。

十、MFB：Multi-modal factorized bilinear pooling

MFB出自ICCV2017《Multi-modal factorized bilinear pooling with co-attention learning for visual question answering》。本文的思路与MLB十分相似，不同点在于当希望bilinear model的输出是向量的时候，本文直接把U和V变成了三维张量，再通过sum pooling来进行通道融合得到最后的输出。

在MFB的基础上，作者于《Beyond bilinear: Generalized multimodal factorized high-order pooling for visual question answering》一文中提出了MFH（Multi-modal factorized high-order pooling ）。把MFB操作分为两个阶段Expand Stage和Squeeze Stage，MFH就是把MFB堆叠起来以得到高阶信息，如下图所示

作者成功地把MFB/MFH应用于VQA，提出的网络结构如下：

这个结构与前文提到的《Multimodal compact bilinear pooling for visual question answering and visual grounding》相当类似，都是利用融合后的特征提取图像的attention特征，再进而第二次融合进而用来分类。不同之处在于，作者模拟了人类“审题”的思维模式，先建立了文本的attention特征，再去考虑与图像的特征融合。

前面介绍的工作，都是针对bilinear pooling的计算量过大而进行的改进。作为融合特征的有效方法，bilinear pooling在fine-grained分类和VQA都有不错的发挥。这里再简要介绍bilinear pooling的几篇应用。

十一、应用于VQA领域的《Bilinear attention networks》

本文是MLB的续作，发表于NIPS2018。本文借助bilinear model的思想提出了bilinear attention的思想。常规的attention map是对单个特征的attention，output=feature * attention map，而本文提出的bilinear attention map则对两个特征的attention， output=feature1 * bilinear attention map * feature2，表达式如下：

这个表达式与MLB十分相似，可以说是一脉相承。

本文提出的网络结构如下所示，左图通过MLB把图像特征和文本特征融合，进而得到bilinear attention map，右图则是把bilinear attention map用于进行图像特征和文本特征的attention融合。该网络较为复杂，有兴趣的读者自行翻阅原文。

• 应用于分类领域的《Hierarchical Bilinear Pooling for Fine-Grained Visual Recognition》

本文出自ECCV2018，核心思想是把不同层的特征通过bilinear pooling两两融合，最后concate后进行分类。

• 应用于ReID领域的《Part-Aligned Bilinear Representations for Person Re-Identification》

本文出自ECCV2018，核心是把行人的全局特征与局部特征（通过openpose预训练得到）通过bilinear pooling融合，再进行检索。

• 应用于三维物品识别领域的《Multi-View Harmonized Bilinear Network for 3D Object Recognition》

本文出自CVPR 2018，核心是利用HBP提取多视角特征。

• 应用于动作识别领域的《Deep Bilinear Learning for RGB-D Action Recognition》

本文出自ECCV 2018，基于bilinear model提出了bilinear block，来更好地融合多模态信息。

方便交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。
方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。
记得备注呦

推荐阅读：
【ACL 2019】腾讯AI Lab解读三大前沿方向及20篇入选论文
【一分钟论文】IJCAI2019 | Self-attentive Biaffine Dependency  Parsing
【一分钟论文】 NAACL2019-使用感知句法词表示的句法增强神经机器翻译
【一分钟论文】Semi-supervised Sequence Learning半监督序列学习
【一分钟论文】Deep Biaffine Attention for Neural Dependency Parsing
详解Transition-based Dependency parser基于转移的依存句法解析器
经验 | 初入NLP领域的一些小建议
学术 | 如何写一篇合格的NLP论文
干货 | 那些高产的学者都是怎样工作的？
一个简单有效的联合模型
近年来NLP在法律领域的相关研究工作


让更多的人知道你“在看”