这两天实验室大佬有篇工作去ICCV了，羡慕的一腿，加油加油，多读书多看报。
本文作者：
Authors
Zilong Huang1∗ , Xinggang Wang1† , Lichao Huang2 , Chang Huang2 , Yunchao Wei3,4, Wenyu Liu1
Motivation
现有的FCN的方案由于缺少有效的上下文信息，存在着limitation。 due to the fixed geometric structures, 受限于 local receptive fields and short-range contextual information.
使用连续稀疏注意取代非局部网络中的单层密集注意力
Contributions
1、节省GPU显存，与non-local block比较，节省了11倍的显存.
2、计算高效，递归交叉注意力减少了85%的Flops相比于non-local的block
3、达到了新的SOTA performance 数据集有： Cityscapes, ADE20K, instance segmentation benchmark COCO
Previous method
ASPP
不足:从周围像素获取信息,不能获得dense contextual information
金字塔池化
均等的上下文信息被所有像素所采纳,不符合不同的像素有不同的依赖
non-local OP
in time and space
Network
特征提取网络ResNet-101作为backbone,去除最后两个下采样层、加上dilate 卷积以后获得原图1/8大小的特征图 X
加一个卷积层降维到H，将特征图 H 输入 第一个 criss-cross attention (CCA) module 得到 H’, H’ 仅仅只将水平,竖直方向的远距离上下文信息进行聚合（因为这两个方向是not powerful enough的）。特征图 H’ 输入到第二个CCA,得到H’’（获得的feature是包含richer和dense context information的），H’’的每一个位置都捕获到了所有像素的信息。两个CCA是一样的结构share了一样的weight，为了防止太多的参数引进。叫做recurrent CCA（RCCA）。这一步操作将收集到每一个像素的信息，连接 X 和H’’ 送入多个带bn和激活函数的卷积层以及分割层得到最后的分割结果。
CCA结构
先使用两个1✖1卷积核的卷积生成K和Q,
，C'是小于C的，因为需要降维操作。下一步采用affinity操作
，对于每一个Q中的位置u，都能得到一个长度为C'大小的向量
，在同样的u的位置，集合
是可以在K上被提取出来的，
表示第i个
元素，那么affinity操作为
，
是特征
和
之间的纠偏率，其中
随后在D的channel维度上进行了softmax操作，得到attention map A。
在CCA的下面分支中，H也用一个1✖1卷积核的卷积滤过，得到
,V也同样存在每个u的位置有
，以及集合
，
是V中每一个u位置有想通row和col的集合，这个C和输入的C是一致的。因此最后的 contextual information就是
这里
是u位置的
，
是个标量，是i号channel和u号位置的A中值。上下文信息就这样，被加入到H ，这样的操作使得增强了 local features和the pixel-wise representation
RCCA
解决像素与周围之间的联系，引入了recurrent CCA（一次CCA并不能够cover）。 传递过程如下
第一次CCA，我们在计算左下角点的f时，只能包含左上角点和右下角点的信息，此时并没有左下角点与蓝色点的相关信息。
但在计算左上（or右下）点时，是计算了蓝色点与它们的相关性信息的。
第二次CCA，当我们再次计算左下角点的 时，再次包含左上与右下点的信息，此时的左上 与右下已经不是当初那个信息，它们已经有了蓝色点的信息，此时便可以间接地将蓝色点信息传递给左下点。
同理，其他不在左下点十字型位置的像素点，都可以通过这种方式在第二次CCA的时候就将信息传递给左下点。于是实现两次CCA便“遍历”了所有点。
事实上，我们可以发现蓝色点信息是传递了两遍给左下点的（左上传递了一次，右下传递了一次），虽然是间接传递没有直接计算得到的结果强度大，但这种对于信息的两次加强也很有可能是最终效果 略胜于 Non-local的原因之一。（这段来自https://zhuanlan.zhihu.com/p/51393573， 感谢解释）
结果和non-local相比，1/11的内存消耗，15%的计算开销