Abstract：
Long-range 上下文信息对语义分割的性能是十分重要的。早先 re-weighting 的方法是使用 global context 来 re-weight 通道来提升准确率。但是，全局共享的特征向量对于输入图像中不同类的区域可能不是最优的。
本文，我们提出了一个 Context-adaptive Convolution Network(CaC-Net) 去预测语义分割特征图中每一个空间位置的spatially-varying feature weighting vector（空间变化的特征加权向量）。CaC-Net中根据全局上下文信息来预测 context-adaptive conv。当conv与特征图卷积时，预测conv能够生成spatially-varying feature weighting vector 同时捕获 全局和局部 上下文信息。
Introduction：
同一类对象的尺寸变化显著，不同类对象的外观相似，这给语义分割带来了很大挑战。
为了处理这些问题：探索long-range contextual information …一个是聚合不同区域位置的 loacl context，一种是global contextual 信息加权通道，特征权重能够自动地突出与给定场景相关的特征，抑制不相关的特征。例如：船通常出现在海里而不是门里。在水场景的相关背景下，水相关特征通道权重提高，以增加船像素预测的几率（SENEt）（关于通道注意力的解析，新奇）但是所有的空间位置共享一个权重，实际上，水场景中天空和水的区域权重应该是不同的。
Method：
全局上下文信息的通道权重存在问题，2D特征图的所有空间位置都共享一个权重向量。CaC-Net 采用 global context ，但是spatially-varying feature weighting vector（空间变化的特征加权向量）能够捕获不同位置的独特特征，从而提升性能。
采用带有空洞卷积的ResNet作为分割的主干网络，在最后两个block移除下采样，空洞率设为2,4.得到输入的 1/8 尺寸。
CaC Kernel Prediction：Tk，Tq采用1*1conv实现
key feature：来捕获 输入X的c的通道的c 个不同特征
Query feature：来捕获K的全局空间(每个元素的)分布
得到Tk 和 Tq之后，需要进行reshape到二维：
然后在做矩阵相乘：
再将结果 reshape 到三维：sxsxc 作为我们的 CaC 核。
Weighting Factor Generation:
以depth-wise conv的方式 带有空洞率为1,3,5。。D 的每一个通道可以用于调节输入特征图的一个通道
最终：采用与输入进行点乘。
上采样部分采用双线性插值
实验中：采用辅助loss 在 Res-4之后
消融实验：发现 CaCnet 中，有 两个 CaC 模块效果最好，并且两个模块卷积核size为 3+3 最好
