卷积神经网络分析与总结（FCN图像分割）

FCN网络是深度学习图像分割领域的奠基之作，有着极大的意义．今天就来简单介绍一下FCN全卷积网络．

这篇论文的标题为"Fully Convolutional Networks for Semantic Segmentation"，也就是全卷积网络应用于语义分割．

传统的分类卷积神经网络，如AlexNet，VGG等都是输入一幅图像，输出图像所属类别的概率，因此为对整幅图像的类别的预测．而本文中的FCN全卷积网络则适用于图像语义分割，即输入一幅图像，输出仍然为一幅图像，只是分割出原图像中需要的类别．这样就不能再使用传统的分类模型了．下面将具体介绍一下FCN全卷积网络．

１．语义分割和密集预测

密集预测是一种基于密集像素的图像处理任务，具体的有语义分割，边界预测，图像复原，图像定位等任务．这些任务与图像分类任务最明显的区别就在于，他们需要对整幅图像中的每一个像素点进行操作，因此是一种密集预测．

FCN模型要解决的问题是图像语义分割．它是一种端到端，像素到像素的预测任务，要求输入原始图像，输出图像中对应类别的分割图．

２．FCN模型介绍

FCN网络沿用了VGG分类网络的前几层，并将最后的三层全连接层替换为相应的卷积层，并在网络的最后添加了上采样层(upsampling layer)，将图像复原到原先的尺寸．网络的简单结构示意图如图所示：

上图仅仅是FCN-32s的示意图，另外的FCN-16s和FCN-8s中包含有跳跃结构，后面将具体解释．

全卷积网络

正如这篇论文标题所说的，FCN模型的最大的特点就在于使用了全卷积网络．在传统的分类任务中，无论网络前段使用什么样的结构，最后都会接着两层或者三层全连接层，即将卷积得到的三维特征图拉直为一维向量，通过全连接层进行概率预测．在FCN模型中，完全抛弃了全连接层，并且全部用卷积层替代，从头到尾的进行卷积操作．最后将会得到一个三维的特征图，这个特征图的每一个channel的特征图代表一个类别的分数，以此进行预测．具体结构如下：

全卷积神经网络的主要优点在于可以输入任意大小的图像．

在一个卷积神经网络中，可以很明显的看到卷积层是与输入图像的大小没有关系的，即无论图像多大，都可以进行卷积操作，只是卷积层输出的特征图大小不同．在卷积神经网络中，真正限制输入图像大小的是最后的全连接层神经元数，因为全连接层单元数必须与最后一层卷积的输出特征图相匹配（否则会造成全连接层权值参数个数不一致）．使用全卷积网络使用卷积层替换全连接层，这样就没有全连接层单元数的限制，因此可以输入任意大小的图像࿰