全卷积神经网络概述学习记录

概述

提出背景

卷积操作具有局部连接、权值共享的特点，能很好地保留二维数据的空间信息，而池化操作能够很好地满足平移不变性，这在分类任务中非常重要。但是卷积神经网络有一个很大的缺陷，就是网络输入必须指定大小，而且一般只能进行一对一的预测，即一个输入只能得到一个预测结果。但是随着视觉领域的发展，这种预测已经无法满足要求，完成的任务越来越复杂，往往需要的是密集预测，即输入对象中的每一个元素都需要进行预测，这是卷积神经网络无法完成的，而全卷积神经网络就是在这种需求下被提出的。
顾名思义，全卷积神经网络中包含的都是卷积层，根据任务需要可以适当保留池化层，为了完成密集预测，卷积神经网络中的全连接层必须被卷积层替代，这也是全卷积神经网络最大的特点之一。

模型差异

卷积神经网络结构模型：

全卷积神经网络结构模型：

最后一步采用上采样来进行像素提升从而使其大小与原图相同

优势：

相较于卷积神经网络，全卷积网络的优势：
由于保留了卷积和池化操作，全卷积神经网络具有卷积神经网络的所
有特点，此外，全卷积神经网络对于输入非常宽容，可以处理任意大小的输入信号。
目前，全卷积神经网络被广泛应用于目标分割、目标检测、目标分