融合创新！全局特征+局部特征，性能优于Transformer

在图像处理领域，全局特征和局部特征融合是一种常见且十分高效的策略，用于提高图像分析和识别任务的性能。

• 全局特征反映了图像的整体属性，如颜色分布、形状轮廓等，它们通常对图像的尺度和旋转具有不变性。

• 局部特征关注于图像中特定关键点或区域的特性，如角点或边缘，这些特征有助于识别图像中的特定对象和细节。

这种融合策略综合利用了不同特征之间的优势互补，可以提高系统的鲁棒性、提升处理效率及实际应用中提高图像检索的准确率，是CV领域值得深入研究的重要方向。

本次分享全局特征+局部特征10种融合创新方案，有最新的也有经典的，可借鉴的方法和创新点我做了简单介绍，原文以及相应代码都整理了，方便同学们学习。

论文原文以及开源代码需要的同学看文末

InterFormer: Interactive Local and Global Features Fusion for Automatic Speech Recognition

方法：本文提出了一种用于自动语音识别（ASR）的高效双并行分支编码器InterFormer。在InterFormer中，作者利用卷积分支提取局部特征，利用Transformer分支捕捉全局表示。在Aishell-1数据集上性能优于Conformer和Transformer模型。