Fine-tuning CNN Image Retrieval with No Human Annotation论文中的gem池化

在Fine-tuning CNN Image Retrieval with No Human Annotation论文中，作者使用了一种新的池化方法，称为Global Expansion Pooling (GEM)。GEM池化是一种可微的非线性池化方法，可以在不需要额外标注的情况下提高图像检索的性能。

GEM池化的主要思想是在全局特征图上进行自适应的池化，以捕捉更多的空间信息。具体来说，GEM池化将全局特征图分成多个网格，每个网格计算其内部特征的平均值，并将其扩展到整个网格。这种扩展使得每个网格的特征向量包含更多的空间信息，从而提高了图像检索的性能。

与传统的池化方法相比，GEM池化具有以下优点：

1. 可微性：GEM池化是可微的，可以与卷积神经网络一起训练，从而提高图像检索的性能。

2. 自适应性：GEM池化是自适应的，可以根据每个图像的特征图大小进行调整，从而适应不同大小的图像。

3. 鲁棒性：GEM池化对于输入特征图中的噪声和变形具有一定的鲁棒性，可以帮助提高图像检索的性能。

总的来说，GEM池化是一种有效的池化方法，可以在不需要额外标注的情况下提高图像检索的性能。