本文是对论文Bilinear CNNs for Fine-grained Visual Recognition重点内容的理解，由于本人小白，不当之处请指出。
- B-CNN architecture
网络CNN streamA擅长对物体／部件进行定位，局部区域检测，CNN streamB对A检测到的物体进行特征提取。两个网络相互协调作用，完成了细粒度图像分类过程中两个最重要的任务：物体、局部区域的检测与特征提取。
B-CNN的架构如下：如上图所示，模型Β由一个四元组组成：
其中，fA，fB代表特征提取函数，即图中的CNN streamA ，CNN streamB；P是一个池化函数（Pooling Function）；C则是分类函数。特征提取函数f (•)的作用可以看作一个函数映射：
输入为图像I ∈ I 和 locationL∈ L，输出为KXD的feature。
Pooling Function函数P将所有位置的Bilinear特征汇聚成一个特征,表示Φ(I)。
fA，fB的特征是K × M 和 K × N，Φ(I)的特征是M × N。Bilinear特征是一种通用的图像表示，可以与分类器C一起使用。