作者認為語義分割的兩個挑戰是分類和定位，而這兩個挑戰又是比較對立的。對於分類問題，模型需要有變形和旋轉不變形，而對於定位問題，模型有需要對變形敏感。
提出的GCN遵循兩個主要原則：
1、對定位問題，模型需要全卷積來獲得定位信息，不能有全連接或是全局池化層。
2、對分類問題，需要有大的卷積核來連接特征圖和每個像素的分類器
此外還添加了邊界精細塊（boundary refinement block）來代替傳統的CRF后處理
全局卷積時沒有用非線性激活函數，只有卷積層
1*k+k*1的效果比 k*k 和多個小卷積疊加效果好
GCN主要提升了對象內部的正確率，對邊界范圍的影響不大
模型結構如圖：
