0. 寫作目的
好記性不如爛筆頭。
1. 主要思想
在feature 中對於全局上下文和局部上下文引入不同的權重。
（個人感覺思想上，cvpr2020 中的 CPNet 引入同類和非同類的權重更好一些）
2. 模型的框架
GCM 和 LCM：
2.1 GCM 的細節
主要思想是：計算全局特徵p, [C, 1, 1]，然後對於特徵A 中的每一個位置計算距離，距離使用L2範式。依據最小的距離，和超參數derta，以及exp函數來構建特徵A 中與全局信息最相近的global gate coefficient，即與全局信息越相近，則global gate coefficient的值越接近1。然後將該值與全局信息p相乘，同時加入一個因子a，將結果與特徵A 中的每一個位置相加。（這裏相加而不是concat，作者說是爲了節省內存）
2.2 LCM的細節
思想也是使用local gate coefficient與特徵相乘。這裏local gate coefficient是從 global gate coefficient 進行求反轉得到的，即 1 - global。由於local gate 的分辨率大於global gate的分辨率，因此先對global gate使用線性上採樣。 同時，作者通過實驗發現，多次引入 local gate更有效，實驗中使用的是三次，這裏對於特徵的融合使用的是concat，作者在引入local特徵前先對特徵降通道。
3. 實驗結果
實驗細節： 作者也使用了輔助loss， backbone使用的是基於Dilated conv的 ResNet。 在測試時，使用了 multi-scale。
3.1 GCM 的實驗，也實驗了GCM中超參數derta
3.2 LCM的實驗， 選擇引入local gate coefficient的次數
3.3 ACB 引入的次數，因此融入其他測試策略的結果
3.4 與其他paper對比
There may be some mistakes in this blog. So, any suggestions and comments are welcome!
注： 文中圖片來源於paper。
[Reference]
ICCV2019 paper: https://arxiv.org/abs/1911.01664