FCN-阅读笔记-理解

论文:Fully Convolutional Networks for semantic Segmentation

翻译:https://www.cnblogs.com/xuanxufeng/p/6249834.html

理解参考:https://www.cnblogs.com/gujianhan/p/6030639.html
http://blog.csdn.net/u010678153/article/details/48676195
http://blog.csdn.net/taigw/article/details/51401448

核心技术:
卷积化
FCN将CNN最后的全连接层换成了相应的卷积层,从而使得整个网络结构转变为全卷积网络.

经过多次的卷积和pooling操作之后,图像的尺寸不断的变小,最后得到一个heatmap(高维特征图),最后使用整个heatmap上采样得到具有标签信息的原图.

Upsampling

upsampling的操作是使用逆卷积过程完成的.
保留之前每一层的conv后的结果,使用这些记录对上一次upsampling之后的图进行细节的补充,提升划分的精度,直到最后完成对整个图像的还原.

突出贡献:
可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。
但是结果不是很精细,细节比较模糊,缺乏空间一致性.