FCN的理解

核心贡献：（1）全卷积代替全连接层

                      1）这样做的好处是，减少训练参数。同时，可以训练任意大小的输入图片。
                      2）一维输出变成多维输出。
                     注：1.全连接层的权重参数矩阵是预先设计好的，决定了训练样本的输入图片大小是固定的。例如：VGG16网络中，输入大小是224*224,卷积层的输入是7*7*512, 则权重矩阵的大小为（7*7*512，4096）。反向决定了输入图片的大小必须为224*224，如果小于这个分辨率，则最终卷积层的输出节点少于7*7*512，如果大于这个分辨率，则最终卷积层的输出节点大于7*7*512。这样就无法训练权重矩阵参数。而用卷积层替代全连接层，则不存在这个问题。
                         2. **全连接层和卷积层可以互相等同**。例如：4096的全连接层，完全可以用4096个7*7*512的卷积核取代，输出的节点个数都是4096个。
                     （2）上采样
                         利用转置矩阵完成上采样，通过上采样可以完成输入图片像素级别的分类，即语义分割。
                         注：也可以采用双线性插值，反池化完成上采样。
                        （3）跳层连接
                          不同分辨率的特征图融合，可以完成语义信息和位置信息的融合，提高语义分割的精度。

整体结构：先降维，然后再升维的这样的一个结构