【何凯明】非局部连接网络 Non-local Neural Network_一只神秘的大金毛_新浪博客...

《Non-local Neural Network》

一、 主要贡献

1.提出了一种非局部连接（Non-local operations）的计算块 (building block)，用于处理视频和图像的长程依赖关系（long-range dependency）；

2.在视频数据集Kinetics and Charades datasets，目前最优（对比2D或3D卷积网络）；

3.图像分类数据集COCO，能够提升精度。

 

二、 非局部连接操作

1.     启发性方法：非局部均值方法（non-local means methods）

非局部均值滤波是Buades等 在2005年提出的一种滤波方法。其基本思想是根据图像的自相似性来计算邻域像素的权重。NML算法首先需要选取两个窗，分别为相似窗和搜索窗，相似窗被选取用于比较两个像素的相似性，搜索窗被选择用于确定计算相似像素的范围。中心像素i与其邻域的像素j之间的相似性权重是根据两像素相似窗高斯加权的欧式距离决定。

总结一下方法：

a)      假设图像的噪声是高斯噪声，高斯噪声的求和趋向于0；

b)      在图像的不同区域或者不同时域，存在一定的区域是相似的，把这些相似区域不断相加（具有一定权重，权值与相似度有关），则累加的越多，高斯噪声的影响就趋向于0，则图像通过这样的算法越来越清晰。

 

2.     这样做的动机：

在卷积网络中，卷积层之前添加这些非局部操作，相当于在这些层之前进行降噪操作，消除feature map中的噪声。

同时应该也有获取非局部区域的信息相关性的考虑，即比如卷积是通过不断进行局部信息聚合（卷积）的操作来获取更大范围的相关性信息，而添加这种操作可以让卷积只关注局部信息，应该能起到减少层数的作用。