基于caffe的fcn网络的训练

论文解读：
global information 可以揭露 what , local information 揭露 where
deep 分类网络当做预训练，微调网络，whole image 当做输入，whole image ground truth 是标签
损失函数是在最后一层的 spatial map上的 pixel 的 loss 和，在每一个 pixel 使用 softmax loss
在全部图像上的基于l的随机梯度下降计算将和基于l’的梯度下降结果一样，将最后一层的所有接收域作为minibatch（分批处理）
当感受野重叠的很大的时候，前向和后向传播计算会很有效率？？？
使用 skip 结构融合多层输出，底层网络应该可以预测更多的位置信息，因为他的感受野小可以看到小的 pixels，结合 fine layers 和 corase layers 可以使模型 respect global structure 的情况下 make local predictions
上采样 lower-resolution layers 时，如果采样后的图因为 padding 等原因和前面的图大小不同，使用 crop ，当裁剪成大小相同的，spatially aligned ，使用 concat 操作融合两个层
softmax loss 会导致类间竞争，促使做最好的预测，但不知道是否有用，使用 sigmod cross-entropy loss 获得相同的结果

下载伯克利大学的fcn文件，基于论文Fully Convolutional Networks for Semantic Segmentation
尝试运行siftflow-fcn32s模型
首先下载数据集siftflow 将下载的数据放在fcn文件夹下的data目录下，将其重新命名为siftflow并将原data文件夹下的siftflow中的文件拷贝到其中，删除原来的。