原文地址：Dual Attention Network for Scene Segmentation
概述
多尺度上下文融合的问题：
虽然上下文融合有助于捕获不同比例的对象，但它无法利用全局视图中对象或内容之间的关系，这对于场景分割也是必不可少的。
贡献：
- 提出了一种具有自我关注机制的新型双注意网络（DANet），以增强场景分割的特征表示的判别能力。
- 议使用位置注意模块来学习特征的空间相互依赖性，并设计通道注意模块来模拟通道相互依赖性。它通过在本地特征上建模丰富的上下文依赖关系，显着改善了分割结果。
- 在三个流行的基准测试中获得了最新的最新结果，包括Cityscapes数据集[5]，PASCAL Context数据集[14]和COCO Stuff数据集[2]。
方法
双重注意网络结构图如下所示：
- 文章采用预扩展的残余网络，deeplab v2作为主干,删除了下采样操作并在最后两个ResNet块中使用了扩散卷积，从而将最终特征映射大小的大小扩大到输入图像的1/8。
- 来自扩张的残余网络的特征将被馈送到两个并行的注意模块中。
- 对上面的乘法结果矩阵和原始特征执行逐元素和运算，以获得反映长程上下文的最终表示。同时，信道维度中的远程上下文信息由信道关注模块捕获。
- 我聚合来自两个关注模块的输出，以获得更好的像素级预测的特征表示。
位置注意模块和通道注意模块的详细信息如（A）和（B）所示：
