语义分割网络总结：FCN、SegNet、U-Net、PSPNet、RefineNet到DeepLab v1～v3+

        语义分割的任务是基于像素点的密集预测任务，其目的是将输入图像的每个像素分配一个语义类别。

        FCNs网络，以VGG16为backbone，去掉了最后的全连接层（fc6和fc7）转换为卷积层，以生成一个低分辨率的特征图，然后用双线性初始化的反卷积，并在上采样的每一个阶段采用skip-connection的方式融合（求和）VGG16中的低层信息（conv4、conv3）的更加粗糙但是分辨率更高的特征图进一步融合多尺度信息。如下图所示，FCN-8s 融合了不同粗糙度（conv3、conv4和fc7）的特征，利用编码器不同阶段不同分辨率的空间信息来细化分割结果。

跳跃结构（Skip Layer）这个结构的作用就在于优化结果，因为如果将全卷积之后的结果直接上采样得到的结果是很粗糙的，所以作者将不同池化层的结果进行上采样之后来优化输出。