该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

Mar, 2020

本文介绍了一种通过局部和全局扩散来增强时空表示学习的新框架，其网络结构由 LGD 块组成，通过模拟这两种表示之间的扩散来更新局部和全局特征，并引入核分类器将两个方面的表示相结合，在视频识别中取得了 3.5％和 0.7％的性能提升。

Jun, 2019

我们提出了一种分阶段空间全局 - 局部聚合网络，用于解决快速运动或多个姿势引起的特征退化问题，并提高在在线应用中的效率。

May, 2024

本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

Sep, 2019

在深度卷积神经网络中，通过设计全局 - 局部对齐关注（GAA）网络和边缘侵蚀的深度监督策略，减少了插值对特征和标签的负面影响，相比现有方法，在五个常用数据集上实现了更好的结果。

Nov, 2023

本文提出了一种名为 LGCNet 的神经架构搜索框架，该框架采用新的搜索空间来有效地搜索轻量级模型，并通过引入 GCN 引导模块实现局部信息交换和提出新型的密集连接融合模块来实现全局信息聚合，同时还引入了基于时延的约束来平衡准确性和速度。大量实验证明，LGCNet 在 Cityscapes 和 CamVid 数据集上取得了最新的最先进的准确性和速度的平衡。

Feb, 2023

在立体匹配任务中，匹配成本聚合对于准确估计视差在传统方法和深度神经网络模型中都非常重要。本文提出了两个新颖的神经网络层，旨在分别捕捉本地和整个图像成本依赖关系。实验表明，具有两个引导聚合块的网路轻松超越具有十九个 3D 卷积层的 GC-Net 的最新技术水平。我们还训练了一个深度引导聚合网络（GA-Net），其在 Scene Flow 数据集和 KITTI 基准测试上比最先进的方法更准确。

Apr, 2019

本文提出一种轻量级全局描述符，以建模跨不同维度（如通道、帧）之间的位置交互作用，使得后续卷积能够合理地访问此全局特征，从而在计算成本和参数数量上有了巨大的降低，也完成了最有效的长距离机制。

Jul, 2019

本文提出了一种全局和局部协同学习架构（GLNet），包括全局对应建模和局部对应建模，以从全局和局部角度捕获不同图像之间的全面对应关系来学习共同显著对象检测（CoSOD）任务。在三个普及的 CoSOD 基准数据集上进行评估，证明了我们的模型在小数据集（约 3k 张图像）上训练仍然优于一些大数据集上训练的十一个最先进的竞争对手。

Apr, 2022

本文提出了一种高效的深度学习框架 ELGC-Net，用于远程感知变化检测任务，并通过捕获丰富的上下文信息精确估计变化区域，减小模型尺寸，从而在遥感变化检测基准测试中取得了最新的最佳性能。

Mar, 2024