目錄
1問題的推導
2 CNN用於語義分割的特點(優缺點)
用於語義分割的3種FCN的特征(優點和缺點)
全卷積網絡主要用於語義分割任務。最近Siamese-RPN偶然看到這個概念，我就用手寫下來。這裏只提因果和簡單概念，需要推導的同學去查上面的論文。
CNN可以對圖片進行分類，但是如何才能更好的識別圖片特定部分的物體呢？
傳統的基於CNN的分割方法通常使用像素周圍的圖像塊作為CNN的輸入進行訓練和預測，從而對像素進行分類。
優勢:
CNN的強項在於其多層結構可以自動學習特征，可以學習多個層次的特征:淺卷積層的感知域更小，學習壹些局部區域的特征；卷積層越深，感知域越大，可以學習更多的抽象特征。這些抽象特征對物體的大小、位置和方向不太敏感，有助於提高識別性能。
缺點:
FCN將傳統CNN中的全連接層轉換成卷積層。如下圖所示，在傳統的CNN結構中，前五層是卷積層，第六層和第七層是長度為4096的壹維向量，第八層是長度為1000的壹維向量，分別對應1000個類別的概率。FCN將這三層表示為卷積層，卷積核的大小(通道數，寬度和高度)分別為(4096，1，1)，(4096，1，1)和(1000，65438)。所有層都是卷積層，所以稱為全卷積網絡。簡單來說，CNN中的fc(全連接)層被卷積層取代，網絡結構不再有fc層。
可以發現經過多次卷積(和池化)，圖像越來越小，分辨率越來越低(粗糙圖像)。那麽FCN是如何得到圖像中每個像素的類別的呢？為了從這個低分辨率的粗糙圖像恢復到原始圖像的分辨率，FCN使用了上采樣。例如，經過五次卷積(和池化)，圖像的分辨率降低了2、4、8、16和32倍。對於最後壹層的輸出圖像，需要進行32倍的上采樣，以獲得與原始圖像相同的大小。這種上采樣是通過去卷積實現的。第五層(放大32倍)的輸出去卷積到原圖大小，得到的結果還是不夠精確，有些細節無法恢復。於是喬納森依次對第4層的輸出和第3層的輸出進行解卷積，分別需要16次和8次上采樣，結果更精細。
優勢:
缺點:
關於上采樣方法的更多細節，請參考參考文獻(3)。