双线性池化（Bilinear Pooling）详解、改进及应用

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。本文是一系列bilinear pooling相关的文章阅读笔记。
来源：https://zhuanlan.zhihu.com/p/62532887
作者：林小北

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~

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：

对bilinear pooling进行详细介绍，便于读者理解原文；
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。
快速介绍对bilinear pooling的各种改进形式。

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。

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 b ，对所有位置的 b 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 ξ ，最后把矩阵 ξ 张成一个向量，记为bilinear vector x 。对 x 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 z 。之后，就可以把特征 z 用于fine-grained分类了，如下图所示：

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。

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 fa=fb 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。

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 $$<x(\mathcal{I}_a), x(\mathcal{I}_b)>$$

注意到

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。

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

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 A 进行SVD分解，前k个左奇异向量组成的矩阵 Ak 是对矩阵 A 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。

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

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：

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 Ui 及 Vi 来近似 Wi ，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 Ui 及 Vi，并采用矩阵P 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。

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。

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：