极高图像语义分割。
作者使用了一个高分辨率分割的pipeline，将原始的超高分辨率图像分成一块一块的用于局部分割，然后将局部的分割结果融合形成最终的高分辨率分割。
方法：1：作者引入了一个局部感知上下文融合（LCF）用于处理局部块:2：作者提出了交替局部增强模块（ALE）去完善产生的结果。
其中LCF模块用于研究局部快和上下文区域之间的关系，LCF块包含两步，局部感知上下文关系(LCC)，和多尺度上下文融合(MCF)。
LCC设计是用来捕捉局部和全局的位置关系，MCF是用来平衡和结合不同尺度背景下的局部特征。但是不同尺度的背景下计算局部特征将会带来大量的冗余信息，为了去解决这个问题，提出了ALE，通过对多尺度上下文进行剪切和上缩放局部特征来避免冗余信息。
模型的主要处理流程：

模型整体的结构：

模型包含了三个encoder-decoder特征提取器，不同大笑的上下文区域通过缩放到相同的大小来较少计算量，然后送入到网络中用于特征的提取，经过提取的特征再分别送入到LCF和ALE，去增强局部特征。最后输入到decoder中。
patch是如何选取的：

**LCF：**包含LCC和MCF
LCC：设localpatch为I，中等背景为M，大背景为L。
I和他的背景U可以通过外积来计算相关性，通过建立逐像素的关系。下图的左半部分。

因为Mu是位置不可知的，包含了大量的无效信息，为了结合位置信息，其中一个方法是增加位置编码，作者使用门控位置编码动态的传递相对位置信息。M可以重新计算为：



MCF：多背景融合
通过特征提取和LCF模块，我们可以获得局部特征
为了有效的结合和利用局部特征，我们提出了MCF模块，所有的特征首先拼接起来，然后通过一个压缩和分离模块，首先将拼接起来的特征通过1x1卷积进行压缩，然后压缩的特征通过1x1卷积重建到原始的维度，然后通过softmax获得三个权重图。生成的权重图再与结果图相乘，最后相加。

ALE：交替局部增强
ALE作用可视化：

ALE结构：

ALE是为了减少LCF产生的错误信息，使用局部特征交互模块(LFI)优化上下文特征，最终产生一个更加清晰的局部表征。LFI基于空间注意力机制，通过不同大小的卷积核，有效的使用不同的参考特生优化目标特征。
L,M,I其中两个作为参考，剩下的一个作为目标。

参考特征经过1x1卷积生成token，然后经过拼接生成参考特征，再进过一个卷积生成注意力图。和传统的卷积不同，我们使用不同窗口大小的卷积核，可视化不同大小的卷积核：

我们将拼接后的参考特征进行切片，然后通过逐深度卷积。生成Xtar。

实验：backbone采用的segformer和VGG16.