FCN模型结构+CNN的区别+三大技术+网络结构

FCN

FCN论文下载地址：
link.

原作者的代码：

link

备注：此文的FCN特指《Fully Convolutional Networks for Semantic Segmentation》论文中提出的结构，并非是广义的全卷机网络。

一、介绍

1.1 FCN

关于图像分割算法，传统方法有很多（图像分割的历史），而全卷机神经网络（FCN，Fully Convolutional Network）是第一次将端到端的卷积网络推广到了语义分割任务当中，随后出现的U-Net也是基于FCN的网络结构。

1.2 网络结构

橙色是反卷积，偏黄色是直接相加。是的，就是简单的相加。反卷积可以理解一下，不算难。

1.3 CNN和FCN的区别

关于两者的区别可以参考link

我们知道，通常CNNlink在卷积层之后会接上若干全连接层，将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为他们最后都期望得到整个输入图像的一个数值描述（概率），比如AlexNet的ImageNet模型输出一个1000维度的向量表示输入图像属于每一类的概率（“全连接层+softmax归一化”的结构）。

下图中的猫，输入AlexNet网络中，经过后面的全连接层后得到一个长为1000的输出向量，再加上softmax归一化后即可以表示输入图像属于每一类的概率，其中在“tabby cat”这类统计概率最高。
输入图片，让神经网络给出这个图片是任何物体的概率，最高的就是神经网络给出的答案。但是FCN必须要给出图上这个猫在