1 文章简介
方向：语义分割
会议：CVPR2019
2 主要思想
在语义分割任务中添加更多的上下文信息（关系）。语义分割任务主要关注于两点：
（1）语义信息：通俗点说语义信息就是'这是个什么东西'，是图像中物体可分辨特征的集合， 得到的语义信息越多，越能够区别不同的物体。获得更多语义信息的方法主要有 a: 增大感受野，直观上说看的越多，对这个物体了解的越多。 b: 融合不同level的特征（跳连接）：直观上说就是通过物体的整体特征与局部特征对物体进行分辨。
(2) 上下文信息： 通俗点说就是'这个东西和其他东西的之间有什么关系'， 在CNN中建立上下文信息也就是关系，是比较复杂的因为CNN是建立在欧式网格上的，也就是2维网格，不能建立3维或者多维以上的关系。针对这一缺点发展出来的是GCN即图网络，可以用于关系。这也有其缺点。在17年的一篇self-attention[2] 和 18 年的一篇 relation moudle[1]的论文出现, 成功的在网络里建立的关系模块，今年cvpr2019出现了很多类似的文章。
3 本文提出的方法
3.1 Spatial Relation Module
公式：
空间attention 模块，如图2 所示一个w=h=6, c=3 的特征图，空间注意力就是把特征图分解为wxh个子特征构成，每个子特征的维度为c，即图2中共有wxh=36个子特征，每个子特征的维度为c=3. 现在想对第i个特征（蓝色区域）建立与其他特征的空间关系。也就是第i个特征与其他35个特征建立关系。如第j个特征（黑色部分）建立关系的方法如公式(1)(2)所示。公式（说明）两个特征之间的关系首先用其外积建立。然后经过公式(1)中的f函数进行转换。
其具体计算流程为：
3.2 Channel Relation Module
对应公式：
思路同上
3.3 使用
4实验
参考文献：
[1] Relation Networks for Object Detection arXiv:1711.11575v2
[2] Attention Is All You Need
