0. 写作目的
好记性不如烂笔头。
1. 主要思想
在feature 中对于全局上下文和局部上下文引入不同的权重。
（个人感觉思想上，cvpr2020 中的 CPNet 引入同类和非同类的权重更好一些）
2. 模型的框架
GCM 和 LCM：
2.1 GCM 的细节
主要思想是：计算全局特征p, [C, 1, 1]，然后对于特征A 中的每一个位置计算距离，距离使用L2范式。依据最小的距离，和超参数derta，以及exp函数来构建特征A 中与全局信息最相近的global gate coefficient，即与全局信息越相近，则global gate coefficient的值越接近1。然后将该值与全局信息p相乘，同时加入一个因子a，将结果与特征A 中的每一个位置相加。（这里相加而不是concat，作者说是为了节省内存）
2.2 LCM的细节
思想也是使用local gate coefficient与特征相乘。这里local gate coefficient是从 global gate coefficient 进行求反转得到的，即 1 - global。由于local gate 的分辨率大于global gate的分辨率，因此先对global gate使用线性上采样。 同时，作者通过实验发现，多次引入 local gate更有效，实验中使用的是三次，这里对于特征的融合使用的是concat，作者在引入local特征前先对特征降通道。
3. 实验结果
实验细节： 作者也使用了辅助loss， backbone使用的是基于Dilated conv的 ResNet。 在测试时，使用了 multi-scale。
3.1 GCM 的实验，也实验了GCM中超参数derta
3.2 LCM的实验， 选择引入local gate coefficient的次数
3.3 ACB 引入的次数，因此融入其他测试策略的结果
3.4 与其他paper对比
There may be some mistakes in this blog. So, any suggestions and comments are welcome!
注： 文中图片来源于paper。
[Reference]
ICCV2019 paper: https://arxiv.org/abs/1911.01664