一、本文的主要思想

                 由于全局的CNN特征缺少几何不变性，限制了对可变场景的分类和匹配，因此本文针对这个问题并且在不降低CNN本身的能力的的前提下，提出了multi-scale orderless pooling (MOP-CNN)：即对图像提取多尺度（三个levels）无序的CNN，然后经过PCA降维，VLDA编码，再PCA降维，最后将这三个level的特征级联为3*4096维特征，采用one-vs-all的线性svm分类，取得了一定的效果。提取特征的结构图如下所示：

二、multi-scale orderless pooling (MOP-CNN)具体框架

     本文采用的是开源的caffe CPU模式运行

     1、将原始图像缩放到256*256,然后减去均值，再输入caffe中，提第七层的4096维特征，作为level1的特征；

     2、在原始图像上以窗口为128*128，步长为32提取加入m个图像batches，将每个batch按照上面一步的方式提取每个batch的特征，假如生成m个4096维的特征；采用PCA的将4096维特征降到500维；采用k-means的方法训练一个100*500的codebook；采用VLAD（FV的简单版）对着m个500维的特征进行编码，二范数归一化，生成一个50000维的特征；采用PCA降维到4096，将最后这个4096维的特征左右level2的特征；

     3、方法和上面一步一样，只是窗口大小为64*64，将这步的4096的特征左右level3的特征；

     4、将这三个level的4096特征归一化，级联为一个3*4096维的一个向量特征；

     VLDA的编码方式如下：

     5、采用one-vs-all的线性SVM进行分类

三、总结

      本文思想简单明了，将多尺度特征和CNN结合起来，采用了VLAD编码方式。就此方法本身而言，多尺度相对于单尺度来讲，还是取得了不错效果。本文是基于在图像层进行多尺度的特征提取，下一篇将简单介绍一篇在特征层面进行pooling的论文。