语义分割之large kernel matters个人总结

1. Architecture

作者想要解决的是分类与定位的对立矛盾。
分类具有平移不变性，而定位则对位置变化非常敏感。
在分割任务中，全卷积的网络更侧重于定位，往往会让分类任务获得的感受野较小，这会导致无法获得足够的object信息，不利于分类。
于是作者增大了感受野。

整体的decoder过程依旧是老套路，融合+反卷积。不过，引入了两个新的block–GCN和BR。

2. GCN

类似于Inception结构，可以用较少的参数得到较大的感受野。 K可以取大一点，light head rcnn里取得是15.

3. BR

这块类似于残差block。S_hat = S + residual(S)
作者这块相当于建了一个模型，S得到是粗糙的分割图，residual(S)则侧重的是学习精细的边缘信息。
以此来提高分割的效果。