全卷积网络（FCN）理解

概要

作为计算机视觉领域的三大任务之一（图像分类，目标检测，图像分割），图像分割这些年也获得了长足的发展，它被广泛用于在医学图像和自然图像的分割上，除此之外，图像分割也被用于在道路分割上，这对于自动驾驶的发展具有极其重要的意义。
图像分割到目前为止，大致分为三类：

1.语义分割（Semantic Segmentation）

图像语义分割的意思就是机器自动分割并识别出图像中的内容，如下图（b），能够区分物体和背景。

2.实例分割（Instance Segmentation）

图像实例分割，不仅要分割出图像中的不同类别，而且还要对同一类别的不同个体作出区分。如下图（c），对于人和汽车的不同个体都作出区分。

3.全景分割（Panoptic Segmentation）

Panoptic Segmentation 中文名为全景分割，是由 Facebook 的大神联手推出的结合 instance segmentation 和 semantic segmentation 的新任务。作者发现，instance segmentation 只能够分别物体，但是没有办法对 stuff 进行预测。而传统的 semantic segmentation 不能够区分物体。作者提出了同时对物体进行分割，并且对 stuff 进行分类的新任务，如下图（d）。

言归正传…回到全卷积网络：
全卷积神经网络（Fully Convolutional Network，FCN）是在2015年由美国加州大学伯克利分校的Jonathan Long等人提出的用于图像语义分割的一种框架。
论文地址：Fully Convolutional Networks for Semantic Segmentation
代码地址：FCN on Github

核心思想

三个keys：

1.卷积化：去掉全连接层，以卷积层代替，可以适应任意尺寸的输入。

简而言之，FCN将CNN中的FC层去掉换以卷积层替代。传统的CNN在预测图像分类时，最后经过以SoftMax输出的是一维的概率值向量，这些概率值分别对应每个预测种类的预测概率，取最大的那个为预测类别。
而，语义分割不同，语义分割所要得到的是像素级别的分割。而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基层的特征图（feature map）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中的空间信息，最后在上采样的特征图进行像素的分类。全卷积网络(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。
FCN将传统CNN中的全连接层转化成一个个的卷积层。如下图所示，在传统的CNN结构中，前5层是卷积层，第6层和第7层分别是一个长度为4096的一维向量，第8层是长度为1000的一维向量，分别对应1000个类别的概率。FCN将这3层表示为卷积层，卷积核的大小(通道数，宽，高)分别为（4096,1,1）、（4096,1,1）、（1000,1,1）。所有的层都是卷积层，故称为全卷积网络。
那这样做有什么优势呢？首先，卷积层表示的是局部的信息，而全连接层则是描绘的是全局信息。用和全连接层相同维度大小的卷积层替换掉全连接层，能够使得卷积网络在一张更大的输入图像上滑动，使得输出图像具有位置信息。

2.上采样：在网络深处以上采样（反卷积）增大图像尺寸，提高输出精确度。

在论文中FCN使用了上采样。这里用的是反卷积操作，相比下采样是使得图像越来越小，而上采样则是使得图像变大。
例如经过5次卷积(和pooling)以后，图像的分辨率依次缩小了2，4，8，16，32倍。对于最后一层的输出图像，需要进行32倍的上采样，以得到原图一样的大小。这个上采样是通过反卷积（deconvolution）实现的。

3.dense prediction：采用skip方法结合网络不同层之间的信息，增加模型精确度和鲁棒性。

这种方式在文章中也提到，使用skip方法结合多层信息，如深层次的粗糙信息和低层次的精确信息。因为作者发现对第5层的输出（32倍放大）反卷积到原图大小，得到的结果还是不够精确，一些细节无法恢复。于是Jonathan将第4层的输出和第3层的输出也依次反卷积，分别需要16倍和8倍上采样，结果就精细一些了。
这种做法的好处是兼顾了local和global信息。

整体网络结构

这篇博文：FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation）
解释的我觉得很好，所以作为理解，拿来借鉴一下~
整体网络架构分为两部分：虚线上部分和虚线下部分：
虚线上部分表示的是全卷积网络，用来提取图像特征。
全连接层转换为卷积层：在两种变换中，将全连接层转化为卷积层在实际运用中更加有用。假设一个卷积神经网络的输入是 224x224x3 的图像，一系列的卷积层和下采样层将图像数据变为尺寸为 7x7x512 的激活数据体。AlexNet使用了两个尺寸为4096的全连接层，最后一个有1000个神经元的全连接层用于计算分类评分。我们可以将这3个全连接层中的任意一个转化为卷积层：

针对第一个连接区域是[7x7x512]的全连接层，令其滤波器尺寸为F=7，这样输出数据体就为[1x1x4096]了。

针对第二个全连接层，令其滤波器尺寸为F=1，这样输出数据体为[1x1x4096]。

针对最后一个全连接层也做类似的，令其F=1，最终输出为[1x1x1000]。

虚线下部分代表的是图像经过卷积层的不同阶段所产生的的深度为21的预测图像的分类结果。

例如：第一个模块输入16*16*4096，卷积模板尺寸1*1，输出16*16*21。
     相当于对每个像素施加一个全连接层，从4096维特征，预测21类结果。

实验效果

参考链接：

为什么使用卷积层替代CNN末尾的全连接层

FCN 全卷积网络 Fully Convolutional Networks for Semantic Segmentation

全卷积网络FCN

FCN于反卷积(Deconvolution)、上采样(UpSampling)

FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation）