CPLayer的结构如下，突然一看还挺复杂的：
CPLayer的输入认为是X，就是\(shape=H\times W \times C_0\);
X经过一个aggregation module变成了\(shape=H\times W \times C_1的\widetilde{X}\);
这里来看一下aggregation module是如何整合了spatial information：
看起来就是用了两个并行的1xk和kx1的卷积，OK，这个地方不难。
\(\widetilde{X}\)经过一个1x1的卷积层和Sigmoid层，变成我们的prior Map （P），这个P的shape=HxWxN；
这里的P经过Affinity Loss的监督训练下，在理想情况下，P体现的就是像素之间的关系
之前得到了\(\widetilde{X}\),reshape成\(N\times C_1\)的形状，（这里的\(C_1\)其实就是最终要分类的类别数）
这里可以得到intra-class的信息\(Y=P\widetilde{X}\)
也可以得到inter-class的信息\(\bar{Y}=(1-P)\widetilde{X}\)
这里我提示一下，怎么理解这个intra-class呢？从P中，可以找到一个像素和其他同类别的像素，从\(\widetilde{X}\)中，可以找到所有像素预测概率。因此Y中的每一个像素的预测的概率值，其实是考虑了同类别的其他像素的预测值综合起来的结果。因此这是一个类内上下文的综合考虑。
\(F = concat(X,Y,\bar{Y})\)
5 细节之前计算的affinity Loss在论文中是写作\(L_p\),
其中\(L_u\)是unary loss一元损失，也就是二值交叉熵；
\(L_g\)是global loss，也就是整体的一个损失；
然后整个模型的损失：
除了我们提到的\(L_p\)，affinity loss，权重为1；
\(L_a\)是auxiliary loss ，权重为0.4
\(L_s\)是主要的main segmentation loss，权重为1.