使用caffe-future完成FCN网络的训练

FCN算是当前最火的一个深度网络了，目的在与解决密集估计（Dense prediction）（例如语义分割/显著性检测等任务）问题。自从去年11月提出之后，就广受欢迎，并且获得了CVPR2015最佳论文奖（提名）。具体论文大家可以参见arViv论文，caffe-future代码可以从caffe-future 获得。

本篇中简要说说如何在自己的数据上训练自己的FCN网络，具体的理论知识，等过了考试月我再加入进来。

准备数据

网络结构数据（.caffemodel & .prototxt）

本篇文章我们采用VGG 16模型，原模型文件大家可以从Caffe的Model Zoo 下载。

由于这一模型是做图像分类的，因此，我们需要将其从全连接层（fc6和fc7）往上的层全部“砍掉”，。其实在FCN的Model Zoo中，论文作者已经为我们写好了他修改的模型定义文件 (该模型是FCN-16s，其他的8s/32s也可在Model zoo中找到下载链接）。作者是在Pascal VOC Context Segmentation上进行的。但是对于这一定义文件仅仅是针对于一个59类别的语义分割任务展开的，因此，我们还需要进一步修改prototxt文件，但这已经远远要比自行从VGG 16的定义文件修改容易得多。

修改定义文件

修改deploy.prototxt

deploy.prototxt是用于模型测试时的模型定义文件。我们需要将作者所有的score层中的num_output: 60修改为自己的输出值。在作者的数据集中，共有59类别和一个背景类别，因此是60.

之前刚刚说过，我们需要将模型的后几层“砍掉”，其实，在实际操作中，并不是将其砍掉不顾。而是：我们在网络定义文件中新建自己的层，将原来的fc6/7弃之不用即可。那么对于Jonathan Long提供的