Segnet:A deep Convolutional Encoder-Decoder Architecture for Image Segmentation

Segnet主要目的是应用于场景理解应用，主要是内存和效率上的权衡。和DeconvNet结构很大相似性

编码网络(encoder network):由13个卷积层组成(使用的时预训练的VGG16的前13层)，该部分提取输入特征，用于目标分类，这就是使用预训练的VGG原理所在，至于丢弃FC层是为了保持更高的分辨率，同时也减少了参数。
解码网络(decoder network):每个encoder会对应一个decoder，故decoder具有13层，将低分辨率的feature map映射回和输入一样大小分类器(mask).
像素分类层(pixelwise classification layer)：decoder的输出会送到分类层，最终为每个像素独立的产生类别概率
实现decoder的方式

Segnet与FCN实现上采样的方法如上所示，Segnet 中Decoder阶段包括的Conv主要目的是填补0，这和DeconvNet中deconv层的作用是一样的。
关于为什么运行会快？
去除了FC层，保存pool中的最大值索引，但是在精确性上不好。