这篇文章发表在CVPR2018上，文章目的是做视频分类和物体检测，但实际上提出了一个非局部层，可以嵌入在任意神经网络中提升效果。这个思想来源于图像去噪领域的传统方法NL-Means，他认为传统的卷积层只能覆盖局部的信息，无法涵盖全局信息，而提出的非局部网络可以融合时间序列和空间序列的信息。作者提出了CNN和RNN的三个缺点：计算不高效；难以优化；非局部特征的信息传递不够灵活，功能不够强大。所以产生了本文的思想。
上式中输入是x(features)，输出是y，i和j分别代表输入的某个(空间，时间，时空)位置，xi是一个向量，维数跟x的channel一样，f是一个计算任意两点相似关系的函数，输出一个值作为权重，g函数计算j处这个点的特征。为了计算输出层的一个点，需要将输入的每个点都考虑一遍，所以这个过程为非局部的。
计算流程就如下图所示，T,H,W代表输入特征的维度。其中T是对于视频帧数，特征图尺寸为T×H×W×1024 也就是有1024个通道。蓝色框表示1×1×1 的卷积操作，这种结构为512通道的“瓶颈”(bottleneck)结构。对于分割或检测任务，1x1的卷积压缩通道数，形成瓶颈结构(bottleneck)。或者在f()对应的1x1卷积之后使用pooling来减小H,W，即采样一部分的j而不是所有的j进行信息融合。
全局的处理方法全连接也是，而全连接就是一个特殊的非局部层，当任意两点的相似性仅跟两点的位置有关，而与两点的具体feature无关，即 f(xi,xj)=wij；g是identity函数， g(x)=x；归一化系数为1时就是全连接层了。具体的实验过程还没有细看，但将非局部层加到传统的CNN里可以有很好的提升效果。
