论文笔记：图像分割——FCN

Fully Convolutional Networks for Semantic Segmentation

语义分割中的全卷积网络

论文结构

摘要： 介绍论文的背景、核心观点、方法途径、最终成果
1. Introduction： 语义分割研究现状、本质贡献、文章整体结构
2. Related Work： 文章思想来源、先前方法的特点、本文的不同之处
3. Prior knowledge： 卷积网络基本定义、与分类网络间的联系和区别、Shift-and-stitch、Deconvolution、Patchwise training
4. Details of learning： 算法结构、创新点、设计细节
5. Results： 指标定义、多种数据集中的实验分析
6. Conclusion： 实验结论
7. References： 参考文献

一、摘要核心

1. 主要成就：端到端、像素到像素训练方式下的卷积神经网络超过了现有语义分割方向最先进的技术
2. 核心思想：搭建了一个全卷积网络，输入任意尺寸的图像，经过有效推理和学习得到相同尺寸的输出
3. 主要方法：将当前分类网络改编成全卷积网络（AlexNet、VGGNet和GoogLeNet），并进行微调设计了跳跃连接将全局信息和局部信息连接起来，相互补偿
4. 实验结果：在PASCAL VOC、NYUDv2和SIFT Flow数据集上得到了state-of-the-art的结果

二、Introduction和Related Work

语义分割存在的问题：全局信息与局部信息内部相矛盾

（1）局部信息
提取位置：浅层网络中提取局部信息
特点：物体的几何信息比较丰富，对应的感受野较小
目的：有助于分割尺寸较小的目标，有利于提高分割的精确程度

（2）全局信息
提取位置：深层网络中提取全局信息
特点：物体的空间信息比较丰富，对应的感受野较大
目的：有助于分割尺寸较大的目标，有利于提高分 割的精确程度

&#