一、双线性汇合的计算过程：
第一步，计算Gram 矩阵：
对于一组H×W×D的feature maps，$oldsymbol{x}_{i} in mathbb{R}^{D}$是图像的深度描述，其中$1 leq i leq H W$。双线性汇合双线性汇合是计算深度描述向量的格拉姆矩阵（Gram matrix），其中$oldsymbol{G} in mathbb{R}^{D imes D}$。
egin{equation}
oldsymbol{G} :=frac{1}{H W} sum_{i=1}^{H W} oldsymbol{x}_{i} oldsymbol{x}_{i}^{ op}
end{equation}
如果 不在整张图里面求取一个均值，思考一个像素点更容易理解双线性汇合。
把$x_{1}$作为列向量，$x_{1}^{T}$就是行向量，这样相乘就是一个D×D的矩阵。
从数学运算上思考上面的格拉姆矩阵，相当于是这么算的，将每个feature map展开为一维向量的形式，格拉姆矩阵中的一个值就是两个feature map向量【1,HW】与【HW,1】的乘积再除上HW。而综合来看就是【D,HW】与【HW,D】的矩阵乘积除以HW。
第二步，将格拉姆矩阵展成向量：
egin{equation}
oldsymbol{s} :=operatorname{vec} oldsymbol{G} in mathbb{R}^{D^{2}}
end{equation}
第三步，进行规范化：
egin{equation}
s_{k} leftarrow operatorname{sign} s_{k} sqrt{left|s_{k}
ight|}, s leftarrow frac{s}{|s|}
end{equation}
（这个地方没有明白是如何计算的？）
二、延申与扩展
协方差矩阵的定义：
egin{equation}
mathbf{Sigma} :=frac{1}{H W} sum_{i=1}^{H W}left(oldsymbol{x}_{i}-oldsymbol{mu}
ight)left(oldsymbol{x}_{i}-oldsymbol{mu}
ight)^{ op}=frac{1}{H W} oldsymbol{X} ilde{oldsymbol{I}} oldsymbol{X}^{ op}
end{equation}
其中：
egin{equation}
oldsymbol{mu} :=frac{1}{H W} sum_{i=1}^{H W} oldsymbol{x}_{i}
end{equation}
egin{equation}
ilde{oldsymbol{I}} :=oldsymbol{I}-frac{1}{H W} mathbf{1} mathbf{1}^{ op} in mathbb{R}^{H W imes H W}
end{equation}
（这个地方没有明白是如何计算的？）