最近のネットワークアーキテクチャ設計の傾向の一つは、計算量が同じである場合、大規模なカーネルよりも効率的な小さなフィルタ（例：1x1や3x3）を全体に積み重ねることです[30, 31, 14]。しかし、画素単位での密集した予測が必要なセマンティックセグメンテーションの分野では、分類と位置特定を同時に実行する際、大規模なカーネル（および有効受容野）が重要な役割を果たすことがわかりました。当社の設計原則に基づき、これらの課題に対処するためにグローバル畳み込みネットワーク（Global Convolutional Network）を提案します。また、残差ベースの境界精緻化（residual-based boundary refinement）も提唱し、物体の境界をさらに洗練することを目指しています。本手法は2つの公開ベンチマークで最先端の性能を達成し、PASCAL VOC 2012データセットでは82.2%（対80.2%）、Cityscapesデータセットでは76.9%（対71.8%）という結果で従来の手法を大幅に上回りました。