在论文《Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks》中，

他们使用了跳跃连接的概念来拼接来自conv3、conv4、conv5层的ROI池化特征，但在拼接之前，他们建议对从这些层提取的每个特征图进行L2归一化和重新缩放，我的疑问是如何确定池化特征的重新缩放值，应该使用Caffe的哪个层来实现这一操作？

回答：

你可以使用现有的层来计算特征图的L2范数。请参见这个讨论以获取示例。
你可以使用"Scale"层来缩放每个特征图。