论文阅读：Graph-FCN for image semantic segmentation

论文名:FCN-图 用于图像语义分割
会议：ISNN 2019
作者: Yi Lu
单位：中科院大学 复杂系统控制和管理国家重点实验室
论文地址：https://arxiv.org/pdf/2001.00335
代码： 未开放
摘要：
现如今的深度学习在图像的分割任务中应用广泛，但仍然存在着在深度学习的高级特征提取中，通常会忽略局部位置信息，这对图像语义分割具有重要意义。
所以本文提出了使用图卷积来弥补全卷积神经网络的不足。这样的问题在图结构中衍化成了一个图节点 的分类问题，而节点与节点之间的关系就是我们现如今所使用图卷积神经网络来解决的问题。
本文郑重提出，这是第一个将图卷积同全卷积神经网络结合的案例。

方法：

细节：
其实一看这个网络结构图就明白了，在下采样之后上采样两倍，然后放到图卷积中进行全连接的节点处理，然后使用图卷积的模式进行分类，最后得到一个输出，作为一个损失的出口，然后正常的卷积操作得到一个损失，双损失训练下能够提高模型的提取能力。

文中作者提到，GCN是一种类Laplace平滑机制，即信息只在相邻的节点中传递，所以GCN的层数不会很深。关于这个问题后续的文章中会有详细的解释，链接在文章末尾。

提醒：

这是一篇入门级别的图卷积和CNN的结合。下面的工作更精彩。

相关阅读：
GCN为何不能进行深层次堆叠？
GCN真的不能进行深层次堆叠呢？
GCN堆叠的效果如何呢?