FCN论文解读：FCN-Fully Convolutional Networks for Semantic Segmentation

FCN原文作为语义分割领域的开山之作，对其进行研究和阅读几乎是入门语义分割领域的基础，这篇博客整理了自己阅读该论文的一些心得感悟和收获。

首先是FCN原文中提到的Dense prediction问题。

Dense prediction问题：

一类问题，目标是标注出图像中每个像素点的对象类别（label），要求不但给出具体目标的位置，还要描绘物体的边界，具体有图像分割、语义分割、边缘检测等方向。

紧接着是语义分割中的IOU指标（在FCN中也被称为IU指标）。

IOU指标：

IOU即Intersection over union，交并比（有时也写作IU），是计算机视觉领域常用的指标，用来衡量算法的性能。语义分割领域，一般将IOU作为衡量算法的首要指标。

要理解IOU，首先需要了解四个概念，TP(ture positive)、FP(false positive)、TN(true negative)、FN(false negative)，其中positive即有标签的部分，negative指无标签部分（可以简单理解为下图中的背景部分），T&F表示预测值真实与否。具体的如下图所示，白色斜线部分为TN，红色斜线部分为FN，蓝色斜线部分为FP，黄色荧光部分为TP。

IOU=TP/（TP+FP+FN），即预测值与真实值的交并比。</