这篇文章发表在ECCV2020上面，是基于STM的改进。简单回顾一下STM，这个算法模型综合利用了previous frames的信息，来帮助更好的预测分割mask，但存在的问题就是随着帧数的增加，由于需要把之前的帧信息存放到memory中，所以占用的内存以及计算成本会很高。虽然STM中给出了利用之前的某5帧的建议，但这样又不能对每一帧加以利用。
因此，本文提出的Global Context Module就是解决这一问题的，利用这一种固定尺寸的特征表示，不仅可以充分利用之前每一帧的信息，还能减少网络模型的空间和计算开销。
Encoder和Decoder与STM是一样的，但是对于Memoey和Query的key和value的处理是有区别的。STM是将Memory和Query的key先进行相似度计算，得到一个matching，随后将其与Memory的value相乘，再concat到Query的value上。而这篇文章处理思路与STM是有很大差别的，具体区别如下图：
本篇文章Memory的并不是看作 H ∗ W H*W H∗W个位置，每个位置是 C M C_{M} CM维度的vector；而是将其看作 C M C_{M} CM个 1维的特征图，进而可以把它当作若干个与value相关的权重矩阵，所以首先通过Memory的key和value计算当前帧的context matrix：
得到C以后，就可以进一步计算出全局的上下文特征：
在更新了global context feature以后，就可以进一步根据query计算出第t帧的distributed global features，这一步相当于把过去所有帧的一些region of interest和当前帧的query进行summarize。最后将D和query的value拼接起来，喂入decoder做mask的预测。
一些结果：
可见涨点不是太多，但是效率和内存的占用比STM高了非常多，因此这是一种非常不错的轻量级的算法模型。