《Non-local Neural Network》
一、 主要贡献
1.提出了一种非局部连接（Non-local operations）的计算块 (building block)，用于处理视频和图像的长程依赖关系（long-range dependency）；
2.在视频数据集Kinetics and Charades datasets，目前最优（对比2D或3D卷积网络）；
3.图像分类数据集COCO，能够提升精度。
二、 非局部连接操作
1. 启发性方法：非局部均值方法（non-local means methods）
非局部均值滤波是Buades等 在2005年提出的一种滤波方法。其基本思想是根据图像的自相似性来计算邻域像素的权重。NML算法首先需要选取两个窗，分别为相似窗和搜索窗，相似窗被选取用于比较两个像素的相似性，搜索窗被选择用于确定计算相似像素的范围。中心像素i与其邻域的像素j之间的相似性权重是根据两像素相似窗高斯加权的欧式距离决定。
总结一下方法：
a) 假设图像的噪声是高斯噪声，高斯噪声的求和趋向于0；
b) 在图像的不同区域或者不同时域，存在一定的区域是相似的，把这些相似区域不断相加（具有一定权重，权值与相似度有关），则累加的越多，高斯噪声的影响就趋向于0，则图像通过这样的算法越来越清晰。
2. 这样做的动机：
在卷积网络中，卷积层之前添加这些非局部操作，相当于在这些层之前进行降噪操作，消除feature map中的噪声。
同时应该也有获取非局部区域的信息相关性的考虑，即比如卷积是通过不断进行局部信息聚合（卷积）的操作来获取更大范围的相关性信息，而添加这种操作可以让卷积只关注局部信息，应该能起到减少层数的作用。
3. 非局部连接的数学公式：
i代表输出的位置（时间点、空间点、时空点），j代表遍历全部可能点，f代表相似度的函数，g是输入缩放函数，c(x)是归一化因子。
4. f函数和g函数的选择（结论是对精度影响不大，可以选择硬件友好的，所以文中说不讨论L1 L2欧式距离）。
a) Gaussian
b) Embedded Gaussian
c) Self-attention module[47]这篇文章提出的，是f=softmax这样一个特例。
d) Dot product
e) Concatenation
5. Non-local Block用于神经网络的一个基本块
数学表达：
Y是非局部操作，+X是残差连接（好处是这个结构可以插入到已经预训练的模型）。
示意图如下：
Implement中减少参数量和计算量的trick：
① Wg, Wθ, and Wφ to be half of the number of channels in x；
② 下采样：公式中的Xj通过下采样进行遍历。
三、 实验结果
对比的是ResNet-50，使用2维卷积，数据集是Kinetics和Charades视频。在视频分类上，精度提升明显。
在图像分类方面，使用的是数据集COCO，精度一般提升1~2%。