论文地址：CCNet: Criss-Cross Attention for Semantic Segmentation
一篇来自华科的语义分割论文
使用了criss-cross方法来改进attention模块，原本的non-local attention模块是要使用整个feature map来进行attention的构成，需要O((H*W)*(H*W)）时间和空间来进行，很消耗空间和时间，本文就想到，使用两次criss-cross也就是十字形式的attention组合，可以达到non-local的效果，但是只是用了O((H*W)*(H+W-1))的空间时间
如上图所示为一个criss-cross attention block
每一次的criss-cross的模块如上图所示
首先是将feature mapX使用一层conv减少通道数到H，然后将H分别使用三个1*1卷积，分别得到Q,K,V，将Q和K使用affinity的方法得到attention 模块
也就是将Q上的每个channel维度上的vector与其在K上的位置的横纵方向上的所有vector进行矩阵相乘运算，再使用softmax对channel维度上进行权重平均，最后再使用V来融合得到最终的attention map，然后与H进行相加，得到最终输出
这样的criss-cross模块重复两次，share相同的权重，最终就可以达到non-local的效果
