图像分割网络之FCN(全卷积网络)

一. 背景
1. 从图像分类到图像分割：
传统的图像分割算法N-cut，与grabcut，需要人机交互，对于批量化处理图像的应用场景无法接受。
CNN网络在深度学习历史上具有非常重要的历史地位，正是因为CNN网络在2012的imagenet的精彩表现，标志着深度学习开始兴起。
CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。
这些抽象特征对物体的大小、位置和方向等敏感性更低，而物体的大小，位置和方向是传统图像算法进行图像分类最大的障碍，从而有助于识别性能的提高。
然而，CNN也有明显的弊端，即经过多层卷积，虽然可以提取更加抽象的特征，同时也意味着物体细节信息的丢失，轮廓变得模糊，不能精确提取物体的边缘。
2. 传统CNN用于图像分割的方法
为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入用于训练和预测。
这种方法有几个缺点：一是存储开销很大。例如对每个像素使用的图像块的大小为15x15，则所需的存储空间为原来图像的225倍。
二是计算效率低下。相邻的像素块基本上是重复的，针对每个像素块逐个计算卷积，这种计算也有很大程度上的重复。
三是像素块大小的限制了感知区域的大小。通常像素块的大小比整幅图像的大小小很多，只能提取一些局部的特征，从而导致分类的性能受到限制。
3. FCN(全卷积网络的提出)：
针对CNN