FCN全卷积神经网络

全卷积神经网络

通常的CNN网络在卷积层后会接上若干个全连接层，将卷积层映射称为一个固定长度的特征向量，比如在Imagenet模型中最后输出的就是一个1000维的向量来表述，得到的是预测不同的维度的概率。

FCN 是对图像进行像素级的分类，解决了语义级别的图像分割。
传统的CNN 接受的图像尺寸大小是固定的，FCN可以接受任意尺寸的输入图像，并且采用反卷积对卷积层进行上采样，使图像恢复到原来图像的尺寸大小，从而对每个像素都进行了预测。

FCN与传统的区别是将全连接改成了全卷积，是最后得到的输出结果是一张label好的图片。

自我感觉上图是FCN中描述比较准确的一张图，而且很容易理解，其中FCN-32S 是在最后一个卷积层然后进行上采样32倍得到输出结果。
FCN-8S 是在最后一个卷积层先上采样2倍，然后与倒数第二个大的卷积层进行相加融合，然后在上采样二倍，然后与倒数第三个卷积层进行融合，然后最后进行上采样8倍得到最后结果。

缺点

1.是得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。
2.是对各个像素进行分类，没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。

FCN上采样用的方法是转置卷积，计算起来过于复杂，后续发展的网络采用较多的上采样方法是双线性插值。