GCN的提出可以说缓解了大小卷积核之间的矛盾，大小卷积核对模型产生的作用各有千秋，总结来说：
大卷积核：
- 优点：感受域较大，能够获得丰富的上下文信息
- 缺点：参数量大，计算量大
- 举例：AlexNet，LeNet等使用了5*5,11*11的大卷积核
小卷积核：
- 优点： 参数量小，计算量小，用多个小卷积核代替一个大卷积核，可以进行多次非线性激活，使模型判别能力增加。
- 缺点：感受域不足，产生的特征图可能 比较稀疏，深度堆叠卷积可能会产生不可控问题（例如模型退化等）
- 举例：VGG之后
当输入通道和输出通道相同时，使用小卷积核参数会比使用大卷积核参数要少，当输入通道和输出通道不同时，使用大卷积核参数反而会比较少。
自VGG之后各位大佬们都以解决小卷积核带来的弊端这个方向做研究，提出了空洞卷积，ASPP等方法，GCN可以说是从另一个方向入手问题，解决大卷积核带来的问题。
参考：
B站深度之眼
