FCN全连接卷积网络（1）--CNN卷积网络的知识储备

FCN全连接卷积网络（1）

什么是全连接卷积网络

全连接神经网络，是和语义分割相关的，所以我们先要明白什么是语义分割？
语义分割:大定义我们在说语义时都是和文字相关的问题，但是实际上在模式识别当中语义识别主要应用是:让机器实识别出面图像中的不同内容
这里主要是对图中每个内守每一个小部分打一个标签，之后再通过训练让机器帮我们完成这个任务。

为什么使用卷积网络

想要明白全连接卷积网络，我们首先的明白卷积网络
我们首先要理解卷积网络的设计思路：
1.粗略的讲，一个图像中的信息提取，某一块的特征是集中在一部分的。所以应该使用对临近节点更加重视的卷积网络。
2.但是上面说了半天其实也没有彻底说明白，我们识别图像主要是识别什么？主要是识别图像的轮廓和边界，而轮廓、边界和那些离轮廓边界很远的内容的特征是毫无关系的。所以我们需要抓住一块块临近区域的特征。
我们可以简单的将卷积网络理解成，用滤波器将相邻像素之间的轮廓过滤出来。
另外，我们还要理解全连接的弊端有哪些？
那么我们再理解一下，如果我们不使用卷积的方法来进行实现，而是使用全连接的方法进行实现，那么会是如何？其实也不会和卷积的方法有什么区别，因为最后经历了很多的学习，那些很远的像素，也会在学习的过程当中，被逐渐的淘汰，但是，这个淘汰的过程当中会消耗很多的计算量。这个是我们不愿意看到的。虽然每一个像素不用多消耗什么，但是多了就会多消耗很多。
卷积网络的学习模型大约如下

这里是简单的端到端的学习（End to End），这种学习的特点是从一个图片到另外一个图片。首先，我们对原有的图像进行降维和特征提取，之后，我们再将较小的特征图恢复为原来的图。
我们详细来看这个过程，首先，我们是使用卷积网络提取特征，这里注意我们特征提取的部分其实也是由算法帮助我们自行实现的，不用我们自己处理。因为我们是进行深度学习嘛，也就是特征提取由算法自行完成。详细理解可以参考我另外的博客：https://blog.csdn.net/qq_43210957/article/details/115028005
然后，我们再将这些特征也就是Features进行充分的学习，将其转化成我们的输出。这个过程其实是表示学习的过程。