wangdh001的博客

其中，i 是输入特征中要被计算的位置，j 是 x_i 所有可能关联到位置的索引。f 是位置间的类同标量函数，用于计算两位置间的相关性(就是NLM中的权重)。g 是位置输入信号函数，对输入的特征进行赋权，C(x)是归一化因子。f(x_i,x_j) 用于计算像素域 x_i和 x_j的相似度，作为像素域 x_j的权重，这样通过累加求均值，获得的y_i便捕获了整张图像的长距离依赖关系。(y_i可以看作整张图像与在y_i位置上的原像素的相似度相乘求均值得到的。到这里可能还会说f究竟是什么？

如果一幅图像中既有大目标也有小目标，那么不同层间的特征的不一致性将会影响最后检测结果（大目标的检测在某一层，小目标的检测在另一层，但是网络的多尺寸检测不会仅仅检测一个特定的区域，而是综合整幅图进行检测。对于权重参数α，β和γ，则是通过resize后的level1~level3的特征图经过1×1的卷积得到的。每一个level都有一个独立的1×1卷积核，即1×1卷积在同一level权重是共享的（即同一层内所有空间位置使用相同的卷积核参数），但不同层级（Level 1/2/3）的 1×1 卷积是独立的。

简单迅速理解GCnet