Im Vergleich zum globalen Durchschnittspooling in bestehenden tiefen Faltungsneuronalen Netzen (CNNs) kann globales Kovarianzpooling reichere Statistiken tiefer Merkmale erfassen und das Potenzial hat, die Repräsentations- und Generalisierungsfähigkeiten tiefer CNNs zu verbessern. Die Integration von globaler Kovarianzpooling in tiefere CNNs bringt jedoch zwei Herausforderungen mit sich: (1) robuste Kovarianzschätzung bei hochdimensionalen Merkmalen und kleiner Stichprobengröße; (2) angemessene Nutzung der Geometrie von Kovarianzen. Um diesen Herausforderungen zu begegnen, schlagen wir ein globales Matrix-Power-Normalisiertes-Kovarianz (MPN-COV) Pooling vor. Unser MPN-COV entspricht einem robusten Kovarianzschätzer, der sehr gut für Szenarien mit hoher Dimensionalität und kleiner Stichprobengröße geeignet ist. Es kann auch als Power-Euklidische Metrik zwischen Kovarianzen angesehen werden, wodurch ihre Geometrie effektiv genutzt wird. Darüber hinaus wird ein globales Gauß-Embedding-Netzwerk vorgeschlagen, um erste Ordnungsstatistiken in das MPN-COV zu integrieren. Für eine schnelle Trainierung von MPN-COV-Netzwerken implementieren wir eine iterative Matrizenquadratwurzelnormalisierung, die die für MPN-COV inhärente GPU-unfreundliche Eigenwertzerlegung vermeidet. Zudem werden progressive 1x1-Faltungen und Gruppenfaltung eingeführt, um Kovarianzdarsellungen zu komprimieren. Die vorgeschlagenen Methoden sind hochgradig modular und können leicht in bestehende tiefere CNNs integriert werden. Ausführliche Experimente wurden auf großen Objektklassifikations-, Szenerkennungs-, feinkörnigen visuellen Erkennungs- und Texturklassifikationsdatensätzen durchgeführt, die zeigen, dass unsere Methoden den Konkurrenten überlegen sind und den aktuellen Stand der Technik erreichen.