为什么使用卷积层替代CNN末尾的全连接层

CNN网络的经典结构是： 输入层—>（卷积层+—>池化层？）+—>全连接层+  （其中+表示至少匹配1次，？表示匹配0次或1次） 全卷积神经网络Fully Convolutional Network (FCN) 全卷积神经网络即把CNN网络最后的全连接层替换为卷积层。为什么这么做？换句话说这样会带来什么好处呢？ 首先，说一下卷积层和全连接层的区别：卷积层为局部连接；而全连接层则使用图像的全局信息。可以想象一下，最大的局部是不是就等于全局了？这首先说明全连接层使用卷积层来替代的可行性。 然后，究竟使用卷积层代替全连接层会带来什么好处呢？答案：让卷积网络在一张更大的输入图片上滑动，得到每个区域的输出。论文里Fully Convolutional Networks for Semantic Segmentation介绍的很清楚，解读如下：    需要说明的是这一特性不仅可用于语义分割，在物体分类、目标检测中都可以使用。