Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network论文笔记

作者发现大核对分割于有重要作用。所以提出Global Convolutional Network。和使用residual-based boundary refinement处理边界。

Global Convolutional Network
分割包含两部分内容，定位，分类。论文称，这两块互相矛盾。1）对于分类任务，模型应该对变换不敏感（比如，移动，旋转，缩放）；2）对于定位任务，模型应该对变换是敏感的，定位结果依赖于输入的位置。
对于分类器，最后的全连接层能够综合全局信息。但是现有的分割网络主要关注于定位，也就是说，每个像素点的分类没有考虑到全局信息，所以很难处理输入的不同变换，所以分类可能是次优的。作者通过了图3进行说明。

所以我们设计的网络必须满足下边的2点：1，必须是全卷积的，但是不能包含全连接层和全局池化层，全局池化将会导致位置信息的丢失。2，从分类的角度看，卷积的kernel应该尽可能的大。如果卷积核和特征图一样大（全局卷积），那么就能够利用全局信息了。
所以作者设计的网络包含1 × k + k × 1 和k × 1 + 1 × k卷积，这相当于在一个k×k区域进行densely connections。相对于k × k卷积，我们的计算复杂度和参数个数仅仅为O(2/k)。

对于不同的k，没有Boundary Refinement block，base为GCN部分使用1x1代替。

特性：1，比正常卷积参数较少；2，比3x3堆叠效果好；3，GCN对于目标的中间像素效果较好，为此还做了对比实验，如下。

结果和预想的一样。所以说，GCN主要提升的是目标内部区域的效果，对于物体边界效果一般。当然，还有一个实验是增加BF，和GCN相比，BF主要增加边界的效果。
但没看到论文提到BF设计原理。