半全局形状感知网络

非局部操作近来常通过聚合全局上下文至各位置来捕获长程依赖。然而，多数方法无法保持目标形状，因为它们仅关注特征相似性而忽略中心与其他位置间的邻近性来捕获长程依赖，而形状感知有益于诸多计算机视觉任务。本文中，我们提出一种半全局形状感知网络（SGSNet），在建模长程依赖时兼顾特征相似性与邻近性以保留目标形状。采用层次化方式聚合全局上下文：第一层，整个特征图中各位置仅依据相似性与邻近性在垂直与水平方向上聚合上下文信息，随后结果送入第二层进行相同操作。借此层次化方式，各中心位置获得所有其他位置的支持，且相似性与邻近性的结合使各位置主要从同一语义目标获得支持。此外，我们还提出了一种用于上下文信息聚合的线性时间算法，将特征图中每行每列视为二叉树以降低相似性计算开销。在语义分割与图像检索上的实验表明，将 SGSNet 加入现有网络可在精度与效率上获得稳固提升。