论文阅读笔记：Fully Convolutional Networks for Semantic Segmentation

1. What
   我们表明，在语义分割上，经过端到端，像素到像素训练的完全卷积网络（FCN）超出了最新技术state-of-the-art，而无需其他机制。
   这是从头到尾训练FCN的第一项工作
   （1）进行像素化预测
   （2）从监督的预训练中进行训练。
   现有网络的完全卷积版本可以预测任意大小输入的密集输出。通过密集的前馈计算和反向传播进行学习和推理。网络内上采样层可通过子采样池在网络中现像素级预测和学习。

2. Where

3. How
   卷积网络中的每一层数据都是大小为h×w×d的三维数组，其中h和w是空间维，而d是特征或通道维。第一层是图像，像素大小为h×w，具有d个颜色通道。

卷积建立在平移不变性上。
基本组成（卷积，池化和激活函数）在局部输入区域上运行，并且仅取决于相对空间坐标。

fks决定层类型，比如卷积或平均池化的矩阵乘法，最大池化的空间最大值，或激活函数的元素非线性
k为内核大小，s为跨度或者二次采样因子

一般的深层网络可以计算一般的非线性函数，而只有这种形式的层的网络可以计算出非线性滤波器，我们称其为深层滤波器或完全卷积网络。
FCN自然可以对任何大小的输入进行操作，并产生对应的（可能是重新采样的）空间尺寸的输出。

这些完全连接的层也可以看作是覆盖整个输入区域的内核的卷积。这样做会将它们投射到完全卷积的网络中，该网络可以使用任意大小的输入和输出分类图。下图说明了这种转换

通过二次采样来减小输出尺寸