UNet改进（32）：结合CNN局部建模与Transformer全局感知

1. 引言：为什么需要全局与局部特征结合

在图像分割任务中，局部特征和全局特征都扮演着至关重要的角色：

• 局部特征（由常规卷积提取）对于捕捉边缘、纹理等细节信息至关重要，这些信息对于精确的像素级分类必不可少。

• 全局特征（由自注意力机制或大感受野操作提取）能够理解图像的整体结构和各部分之间的关系，这对于正确识别大尺寸物体或理解复杂场景非常关键。

传统UNet主要依赖于堆叠的卷积层来逐步扩大感受野，这种方式虽然有效，但在建立长距离依赖关系上效率不高。近年来，Transformer架构在计算机视觉领域取得的成功证明了自注意力机制在捕捉全局上下文方面的优势。UNet_GlobalLocal的核心理念就是将这两种范式的最佳部分结合起来。

2. 核心模块设计

2.1 GlobalLocalBlock：全局与局部特征融合

GlobalLocalBlock是整个架构中最关键的创新模块，其设计精巧而高效：

class GlobalLocalBlock(nn.Module):"""结合全局和局部特征的模块"""def __ini