本文發表在ICCV2015上
圖像分類基本分爲兩個大方向，一個是BOW詞袋模型，和cnn卷積神經網絡模型，而pooling是分類非常重要的一個環節。該文章使用BOW提取 的原始特徵（如sift等）或者cnn模型的特徵map進行pooling。
首先該文章使用的分類器是LSR（最小二乘迴歸）。該論文的pooling方法是一種隱式的pooling方法，即沒有直接的公式給出pooling公式，而是在分類器學習時候，學習出一種pooling模型。
本論文的pooling學習隱與分類器階段，所以分成兩個階段，一個是訓練階段，一個是測試階段。
訓練階段：
首先，原始的迴歸問題做分類都是學習一個
在這裏使用F範數，使目標函數變成凸優化問題。
其中：
目標函數就是在尋找法向量W和偏移b使最終的損失最小。這是分類器最原始的優化函數，後來又引入複雜度於是又在目標函數中加入
使之目標函數變爲：
沒啥好說的，就是又降低損失又降低複雜度。
這些都是經典的迴歸分類問題，而本文的創新點就是用pool改進了這個優化函數，將pooling的學習隱入分類器學習。
使目標函數變爲：
下面詳細說一下pooling項：
最終的優化函數可以看出是在尋找一個分類，和pooling 損失和複雜度都最小的分類器。
下面說怎麼優化目標函數：
固定了W，b之後他們成爲常數，於是優化目標可以重寫爲：
之後完成了LSR分類器的學習。
以上爲訓練階段
第二個階段是測試階段。
測試階段：
測試階段因爲樣本沒有標籤。
所以給出pooling目標函數：
優化後計算出pooling後的特徵 ：
然後將該特徵扔入分類器：
想起一句話：
分類就是離散的迴歸
實驗部分：
論文最終的實驗使用了vd19的map特徵進行進一步poolIng:
效果如下：
最後該文寫的是一種pooling方法，加入個各種pooling的對比：
**