FCN核心思想
- 不含全连接层的全卷积网络，可适应任意尺寸输入。
- 增大数据尺寸的反卷积(deconv)层。能够输出精细的结果。
重点知识点
- 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。
- 使用skip结构融合多层（3层）输出，底层网络应该可以预测更多的位置信息，因为它的感受野小可以看到小的pixels。
- 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。
FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像的空间信息，最后就在上采样的特征图进行像素的分类。
FCN是从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进一步延伸到像素级别的分类。
简单的说，FCN与CNN的区别在于FCN把CNN最后的全连接层换成卷积层，输出一张已经label好的图。
网络结构
网络结构如下。输入可为任意尺寸图像彩色图像；输出与输入尺寸相同，深度为：20类目标+背景=21。 （在PASCAL数据集上进行的，PASCAL一共20类）
版权声明：本文为qq_37249672原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。