《昇思 25 天学习打卡营第 9 天 | FCN 图像语义分割 》

活动地址：https://xihe.mindspore.cn/events/mindspore-training-camp
签名：Sam9029

---

这一章节 出现了一个 深度学习 中经常出现的概念

• 全卷积网络（Fully Convolutional Networks） :

官话：FCN 主要用于图像分割领域，是一种端到端的分割方法，是深度学习应用在图像语义分割的开山之作。通过进行像素级的预测直接得出与原图大小相等的 label map。因 FCN 丢弃全连接层替换为全卷积层，网络所有层均为卷积层，故称为全卷积网络

自己理解一下：
全卷积网络（FCN）就像是一个超级放大镜，它能够放大图像中的每一点细节，并且告诉计算机每个像素点是什么。
想象一下，你手中拿着一张城市的照片，你想知道照片中的每个地方分别是什么，比如哪里是建筑物，哪里是道路，哪里是树木。
全卷积网络就能做到这一点。

全卷积网络（FCN）简介

FCN是一种用于图像语义分割的深度学习框架，由UC Berkeley的Jonathan Long等人在2015年提出。它是首个能够进行端到端像素级预测的全卷积网络。

FCN的关键技术
1.卷积化：FCN使用VGG-16作为backbone，将全连接层转换为卷积层，使网络能够输出与输入图片大小相同的heatmap。

2.上采样：为了从较小的特征图中恢复到原图大小，FCN采用上采样技术。这通常涉及到双线性插值，并在网络中通过反向传播学习非线性上采样。

3.跳跃结构（Skip Layer）：FCN通过跳跃结构结合深层的全局信息和浅层的局部信息，以提高分割的精确度。例如，FCN-8s通过将底层的预测与pool3层的预测相加，来获取更多的局部细节。

FCN的网络特点

适应性：不含全连接层，可以接受任意尺寸的输入。
精细度：通过反卷积层增大数据尺寸，输出更精细的结果。
撸棒性与精确性：结合不同深度层的结果，确保了分割结果的撸棒性和精确性。

---

虽然这一节技术的内容实在是太难了，入门的门槛太高了，但是我对图像语义分割和FCN全卷积网络有了更深入的理解，我相信随着技术的不断进步，这些技术将在图像处理领域发挥更大的作用。同时，我也期待自己能够在实践中不断探索和应用这些技术，以解决更多实际问题。