简介

FCN是首个端对端的针对像素级别预测的全卷积网络，发表在2015CVPR。全卷积的意思是全连接层全部替换成了卷积层。

FCN的评价指标

FCN的评价指标主要采用Mean IOU，他在当时已经超过了大多数网络的Mean IOU。

全卷积的优势

通过观察我们能够发现，在加入全连接层的网络中，如果你改变输入图像的分辨率（大小），在展平处理的时候就会报错，这是很不妙的情况（虽然后来可以通过全局池化消除）。所以引入全卷积，在引入全卷积后，你就不必要保证输入图片的大小必须为单一特定尺寸了。但是你输出的数据是1000个channel，但是宽高可能都大于1的数据，单个channel便是二维数据，这个时候你就可以使用heatmap来将每一channel展平后观察。

参数数量对比，都忽略bias：

输入图片的大小尺寸不能太小

以FCN-32s为例，作者一开始使用的图片输入卷积的padding设置为100，是为了防止输入图片的大小小于32，因为Backbone采用了VGG16，所以会下采样32倍，在做语义分割的时候我们也要注意：输入图片的大小不能太小，否则效果可能不好。

在上采样的时候，上采样的倍数也不能太大，否则转置卷积的话可能没有用，例如此时的上采样倍数设置为32，就没有实质上的用处。

一些其他的FCN网络

在这里会将VGG16 backbone中的部分输出特征矩阵取出来进行residual相加的操作，这也是为啥我们也经常能够在UNet中看到residual相加。

损失计算

针对每个pixel计算一下cross Entropy loss

评价指标

同语义分割中的评价指标。

代码实现

待续。