（科普快餐）语义分割经典论文--8：Large Kernel Matters

Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network（2017）

论文地址：https://arxiv.org/abs/1703.02719

---

动机：

1. 由于分类器局部地而不是全局地连接到特征图，因此分类器很难处理输入上的变换的不同变化。
2. 如果核大小增加到特征图的空间大小（称为全局卷积），则网络将与纯分类模型共享相同的好处。

网络结构：

贡献：

1. 证明大内核对于缓解分类和本地化之间的矛盾至关重要。
2. 提出了一种新的边界再修饰块。从质量上讲，我们的全球卷积网络主要改善内部区域，而边界重新优化提高了边界附近的性能

补充：

1*n和n*1，它们一般是搭配使用的，从而实现n*n卷积核的感受野，可以在减少参数的同时增加层数，在CNN的较高层中使用可以带来一定的优势。

文章把一个大的kxk的卷积核分解为两个1xk与kx1，并且中间不使用ReLU等激活函数。

那么为什么这样的模块就可以做到边缘的锐化呢？

其实道理也很简单，这就是残差网络的原理，BR中的两个卷积层作为残差支路，学习到的是输出heatmap和输入heatmap之间的残差，对于某类物体的中间部位，heatmap的激活值已经很高了，过softmax之后的概率值也会非常大，而边缘位置相对于中心位置的激活值就要低很多，概率值也会低一些，这样在与ground-truth计算loss的时候，边缘部分的loss也会远大于中间部分，于是网络就会促使这两层卷积层去学习寻找边缘，得到的heatmap也会是边缘激活值高中间低，最终与原来的heatmap相加，就可以起到提高边缘激活值，锐化边缘的作用。