论文题目：Fully Convolutional Networks for Semantic Segmentation
论文下载: [点击下载](/download/Fully Convolutional Networks for Semantic Segmentation.pdf)
Intorduction:
FCN毫无疑问是语义分割领域的经典之作，在FCN出现之前，传统的CNN分割是将像素周围一个小区域作为CNN输入，做训练和预测，这样低效且不准确（忽略整体信息）。FCN主要有三点创新：
-
卷积化：即将传统CNN结构（文中提到的Alexnet、VGG）最后的全连接层改成卷积层，以便进行直接分割，这是十分有创造性的。这样，使得网络可以接受任意大小的图片，并输出和原图一样大小的分割图。只有这样，才能为每个像素做分类。(像素分类使用图像分类模型（如AlexNet VGGNet等pre-trained model）做迁移学习。)
-
上采样 or 反卷积：由于网络过程中进行了一系列下采样，使得特征层大小减小，了最后得到的预测层和原图一致，需要采用上采样。
-
并联跳跃结构：想法类似于resnet和inception，在进行分类预测时利用多层信息。
下图是传统分类CNN和FCN的对比，简单的说，FCN与CNN的区别在于FCN把CNN最后的全连接层换成卷积层，输出一张已经label好的图。
框架如如下，采用了skip connection
上图不够清晰，可以看下图
不同层次对比，其中FCN-8s效果最好
不足：对细节不敏感，没有充分考虑像素之间的关系，缺乏空间一致性。
评论区