零参数大幅扩感受野
一种不引入额外可学习参数的卷积方式，通过分组空间偏移让普通卷积直接获得全局感受野，使FCN在不改变模型容量的情况下追平当前最优语义分割方法。
任晓宇 · Deng, Zhongying · Ye, Jin · He, Junjun · 杨东旭
Neurocomputing 2025
GRC 通过重排现有滤波器的采样位置来实现全局感受野，不新增任何可学习参数，因此替换卷积层后模型容量和计算量基本不变。
GRC 将滤波器通道分成两组：一组把采样位置按通道索引偏移到整个特征图的不同空间坐标，以捕获全局上下文；另一组保持原位，保留原始位置信息。卷积结果将全局上下文融入每个像素的局部特征，提升密集预测精度。
将 GRC 嵌入 FCN 后，FCN+ 在三个主流分割基准上取得了与最先进方法相当的性能，证明无需复杂结构即可恢复 FCN 的竞争力。
GRC 不改变卷积核尺寸和参数形状，可直接替换现有分割框架中的卷积层，无需修改骨干网络，部署成本低。