笔记：Deep multi patch aggregation network for image style, aesthetics and quality estimation

在Image style, aesthetics and quality estimation三类任务中往往需要依靠更多的高像素(high resolution)图片中的细纹理(fine-grained)信息。通常CNN网络的输入是256*256*3的尺寸，通常的做法是，通常的做法是将一个高像素(比如1024*768)图片随机裁剪为一个patch，用这个patch表示整幅图像，这样会丢失掉其余部分的细纹理信息。本文用一个patch集合（multi patch）来表示整个图片。基于multiple patch，文章提出了一种特征学习以及聚集（aggregation）不同patch特征的框架。具体而言，首先在一个图片上提取多个patch，然后为每个patch做特征提取，将各个patch的特征进行聚集，从而得到用于分类的特征。在这个框架上，本文提出了两种用于特征聚集的方法，分别是statistics aggregation structure和fully-connected sorting aggregation。整个框架本文用下图表示：

这里的CNN表示下面结构中从input layer到fc256.（没有softmax层）

详细的步骤如下：
1） 对图像选择patch，构成patch集；训练阶段随机每个图像随机选取5个patch，测试阶段没个图片随机选取250个patch，每5个构成一个patches集合，作为第（2）步的输入，每个图像共50个集合，最后取50个集合的平均值作为结果。
2） 对patch集中的每个patch单独进行特征提取：方法是将每个patch用CNN提取特征。在训练阶段，首先用任意一个patch训练一个CNN，然后将所有CNN初始化为该值，然后用对应的patch对各个CNN进行单独训练。在将CNN特征传去到aggregation层的时候，为了保持它们之间的可比性，将各个CNN columns上的权重设为相同。
3） 然后将patch的特征进行aggregation。本文讲了两种策略，每个patch的特征为K，每个图像用M个patch表示，分别是：
a) the statistics aggregation structure:这个结构保留每个patches特征上的统计特征，文章提到的包括max, min, median and mean. 聚集的过程为：分别计算multi patch上对应维度上的每个统计特征，将每维相同的统计特征串联起来得到M维向量，然后将U个统计特征分别得到的M维特征向量串联，得到U*K的向量（假设考虑U个统计特征），这个向量被传到一个全链接层，生成特征向量g（D）。整个流程在文中如下图表示：（K=3,U=4）

b) the fully-connected sorting aggregation:这个将上面的statistics layer替换为sorting layer，文章提到的sorting 方式为按值递增排序。首先提取每个patch的特征，然后将不同patch对应维度上的进行排序，每个维度上形成一个排序后的M维特征向量，将K个维度上的M维特征向量串联得到K*M维特征。这个结果在全连接层后得到特征向量g（D）。流程在文中如下表示

4）最后根据全连接层输出的特征分类用的CNN上的soft-max层。