利用全卷积网络进行车道识别

预先训练好的VGG-16网络
https://gist.github.com/baraldilorenzo/07d7802847aaad0a35d3

VGG
16http://www.robots.ox.ac.uk/~vgg/research/very_deep/

代码实现
https://github.com/mengli/MachineLearning/blob/master/self_driving/road_seg/convnet.py

我们再把4 \times 4的输入特征展成16 \times 1的矩阵X：

那么输出矩阵Y=CX则是一个$4\times 1$的输出特征矩阵，把它重新排列成$2 \times 2的输出特征就得到最终的结果，通过上述的分析，我们可以看到卷积操作可以表示为和矩阵C相乘，那么反卷积操作就是和矩阵C的转置C^T相乘。因此，反卷积操作也被称为转置卷积操作（transposed convolutional layer）。

下图所示的是参数为$i^{\prime }=2,k^{\prime }=3,s^{\prime }=1,p^{\prime }=2$的反卷积操作，其对应的卷积操作参数为
$i=4,k=3,s=1,p=0$。