Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network
发表日期：8 May 2017
本文主要提出两种结构，全局卷积网络（Global Convolutional Network，GCN），Boundary Refinement block（BR）
GCN同时改善分类和定位的性能。
目前state-of-art的语义分割设计方法都是为了更好的定位，但这会降低分类的效果。从分类的角度，网络应该使用大的卷积核，这样能使分类器具有更强的分类能力来应对各种变换。使用Boundary Refinement block来进行边界对齐，该模块使用残差结构。
1.GCN
目前state-of-art的语义分割设计方法都是为了更好的定位，但这会降低分类的效果。而分类的效果差可能由于感受野造成的。当分类的有效感受野（能够获得有效信息的感受野）足以覆盖整个物体的时候，这个时候分类器就可以正确的分类。
网络设计用FCN，卷积的kernel size越大越好，但是越大的卷积核计算量越大，作者提出1*k+k*1和k*1+1*k的卷积组合，相当于feature map的k*k大小区域。在这里的卷积之后没有使用非线性**函数。
2.Boundary Refinement
侧边的残差连接可以对boundary进行refine
3.网络结构
ResNet作为特征提取；使用ResNet不同stage的feature map，是多尺度框架；经过上采样输出结果
参考：