记录一下读的文献，以便日后翻阅。
读论文：2020_NeurIPS_Region Attention Network for Semantic Segmentation
关键词记录
Method：使用区域上下文关系，建立起像素之间的空间（spatial）和类别（category）依赖性，以协助图像分割。
Region Construction Block：计算Di,j和Ei,j，分别表示第i个和第j个像素之间边界存在的可能性（值越小，存在边界的可能性就越小）、语义相似性（值越小，二者是同一类的可能性就越大）。根据这两者可以计算出region attention maps Fi，j=（1-Di,j）（1-Ei,j） 由上述可知，F越大，两个像素越有可能属于同一对象区域。根据F可以计算出G（对称的region decision maps），如果Gi，j=1，那么i像素和j像素属于同一区域，分组过程将图像划分为一组区域{Rq|q = 1，……Q}。
Region Interaction Block ：对于第q个区域的第i个像素，我们计算代表性分数Ji，该数代表i像素与q区域内所有点的相关性（值越大越相关），最终选出K个值最高的像素点作为代表性像素。
代表性像素提供区域信息，该信息在不同区域的像素之间传播——
①RIB进行区域内收集，构造所有具有代表性像素的局部上下文表示。
②在不同区域的每对代表性像素之间建立连接，形成全局上下文表示。
③RIB使用区域内分布来传播全局上下文，以增强图像中的所有像素。
标签：9.22,01,代表性,Region,像素,区域,上下文,值越,DAY From： https://www.cnblogs.com/Askia/p/16719733.html