本研究探讨了如何训练用于计数物体的单视角回归模型，提出了使用全局求和池化代替全局平均池化或全连接层，从而避免局部估计相互抵消的问题以及由于在全分辨率图像上训练而导致的过拟合问题，并在四个不同的航空影像数据集上验证了模型的有效性。

May, 2018

本文研究了全局平均池化技术在卷积神经网络中应用的原理，发现其可以使网络更好地实现局部特征定位，从而建立了一种通用的可局部化的深层表示方法，并通过实验证明其在物体定位等各种任务上的有效性。

Dec, 2015

本文提出了一个基于 CAM 的 “单 shot” 弱监督检测器，其中不需要使用区域建议。使用一种新颖的全局池化技术 SPAM 池来训练此 CAM 网络进行弱图像级监督的对象范围定位。该方法仅需要单个网络通过并使用快速反向投影技术，在 35fps 的实时下 实现了良好的效果，大大提高了弱监督对象定位框架的速度。

Jul, 2017

提出了一种泛化的 alpha-pooling 方法，可以在训练中学习汇编策略，同时引入一种有效的决策可视化方法来分析语义组成对决策的影响，实验证明这个方法可以在各种标准数据集上优于传统的的平均池化和双线性池化方法。

May, 2017

该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

Mar, 2020

本研究提出了一种新的参数 - free 的空间注意力层来建模高层特征之间的空间关系，该层相比于没有该层的模型有显著的性能改进，并在四个基准测试中实现了最先进的结果，其中 Market-1501 的 rank-1 准确度为 94.7％，DukeMTMC-ReID 的 rank-1 准确度为 89.0％，CUHK03-labeled 和 CUHK03-detected 的 rank-1 准确度分别为 74.9％和 69.7％。

Nov, 2018

研究如何扩展卷积神经网络中的池化作用来解决显著性目标检测问题，首先在 U 形架构下构建全局引导模块，然后使用特征聚合模块使粗略层次的语义信息与来自自上而下路径的细节信息很好地融合，最终能够更准确地定位显著对象并具有更高的运行速度。

Apr, 2019

本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

Apr, 2021

通过将每个特征向量视为不同的语义实体，并将 GAP 视为其的凸组合，我们将 GAP 广义化为可学习的广义求和池化方法（GSP），通过选择语义实体的子集并学习对应的权重，提高了 GAP 的能力，进而通过在 4 个流行的度量学习基准上进行深入评估来证明我们方法的有效性。

Aug, 2023

提出了一种基于上下文感知的注意力池化（CAP）方法和特征编码技术，可以有效地捕获子像素梯度，无需边界框和 / 或可区分的部分注释，从而学习关键部位的特征表示。经过在六个最先进的骨干网络和八个基准数据集上的评估，该方法在六个数据集上表现显著优于最先进的方法，并且在其余两个数据集上非常有竞争力。

Jan, 2021