原名：ACFNet: Attentional Class Feature Network for Semantic Segmentation
鏈接：Accepted to ICCV 2019，https://arxiv.org/abs/1909.09408
參考閱讀：https://blog.csdn.net/gefeng1209/article/details/102760719
一、方法簡介
不同於普通語義分割從空間角度設計利用上下文信息，提出類中心的概念，從分類的角度提取全局上下文。這個類級別的上下文描述了圖像中每個類的整體表示。進一步提出了一種新穎的模塊，稱爲注意力類別特徵（ACF）模塊，用於根據每個像素計算並自適應地組合不同的類別中心。在ACF模塊的基礎上，我們引入了一種從粗到細的細分網絡，稱爲注意力分類特徵網絡（ACFNet），它可以由ACF模塊和任何現成的細分網絡（基礎網絡）組成。
通俗來說，即是在CNN網絡中間特徵層A，對屬於類別i的像素計算屬於其i類別的平均概率
，計算的結果稱之爲類別i的Class Center：屬於類別i的所有像素的平均特徵(特徵圖上的平均響應值)；再將計算結果與屬於該類別的所有像素概率值相乘獲得
，層作爲新的特徵連接到該中間特徵層A中繼續進行之後的網絡訓練。
二、方法創新點詳解
1、初始類別確定Class Center，CCB：Class Center Block
類別i的Class Center：屬於類別i的所有像素的平均特徵(特徵圖上的平均響應值)
理論：在label上計算
類別i的class center=(label上類別i在每個通道上對應位置預測值累加和)/(label上類別i的像素個數)
實際：在粗分割圖
2、Attentional class feature，CAB：class attention block
直接使用粗分割圖作爲attention map，再利用class center來計算得到attention class feature
計算的結果與特徵層A連接再進行1*1卷積，細化計算得到的特徵，並用於繼續原始網絡進行之後的訓練。
三、實驗效果
Class Center的兩個好處：
每個類別的class center都表達了該類別的全局信息，在訓練時可以幫助模型學習到每個類別之間的鑑別力的特徵
class center可以幫助檢查一個像素與每個類別的class center之間的一致性，通過引入class center，模型可以糾正一些之前被錯分的case
1、添加到成熟的ResNet網絡中效果明顯提升
2、與其他網絡在常見類的對比
3、將ResNet101作爲基礎網絡添加ACF機制時的分割效果
