通过将全局平均池化 (GAP) 解释为可学习原型的凸组合，我们将深度度量学习 (DML) 中通常作为一种将重要性归因于不同语义实体的特征向量汇总方法的有效性，转化为了学习可用于表示未见类别的可推广实体的算法。同时，我们探究了两批次间彼此分离的类别，并通过利用其他批次适配的原型表达了一个批次的样本来优化学习。

Jul, 2023

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

通过泛化池化操作来提高深度神经网络的表现，我们提出了两个主要方向：(1) 通过最大池化和平均池化的组合策略来学习池化函数，(2) 学习一种树形融合池化滤波器的池化函数。实验表明，这些泛化的池化操作比传统的池化操作具有更好的不变性，并在多项广泛采用的基准数据集上创造了最优性能。

Sep, 2015

该论文提出了一种新的池化机制 —— 广义最大池化（GMP），该机制可以缩小常见而无用描述符和罕见但有信息量的描述符之间的差距，该机制不仅适用于诸如 BOV 等基于计数统计的表示形式，而且特别适用于最尖端的 Fisher Vector，该机制可以显著提高图像分类技术。

Jun, 2014

本文提出一种用于同时实现像素级别本地化和仅具有图像级别标签的图像级别分类的全卷积网络训练的全局加权平均池化方法并探讨了其在对象识别中的应用，提出了类特定和类不可知的 GWAP 模块构成的多任务框架，结果表明此框架可以使用仅具有图像级别标签的数据来改进对象检测模型的推广能力。

Sep, 2018

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

本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。

Mar, 2019

提出了一个基于 Multiset 编码原理的 Graph Multiset Transformer (GMT) 图池化方法，通过多头注意力机制捕捉节点的结构依赖关系，克服了现有图池化方法的局限性，并在各项图形任务上表现出了优越性。

Feb, 2021

本文针对在深度卷积网络较早的层次有效引入二阶表示进行非线性建模的问题，提出了一种新的网络模型，并利用全局二阶池化 (GSoP) 对低到高层次进行二阶表示引入，使图像信息得到全面利用，实验结果表明，在 ImageNet-1K 数据集上，该网络模型优于同类网络，具有最先进的结果。

Nov, 2018

本文介绍一种不变汇聚层 (GIGP)，它是一种满足足够特征表达的汇聚层，可以表示一大类不变函数，该方法是基于组轨道感知的汇聚过程，针对旋转 MNIST 和 QM9 等数据集，取得了良好的结果。

May, 2023