FCN 和 U-net

FCN:全卷积网络，没有全链接层，全部用卷基层来代替。在通过若干次的上采样，将特征图扩大跟原图大小的若干张概率图，每张概率图表示这个像素属于该类别的概率值。
u-net 和 FCN 的思路基本上差不多。一个区别是 u-net没有用vgg等的CNN模型作为预训练模型，因为u-net做的是医学图像的二值分割，没必要用ImageNet的预训练模型，而且u-net这个结构我们是可以根据自己的数据集自由加深网络结构的，比如在处理具有更大的感受野的目标的时候；另一个区别是u-net在进行浅层特征融合的时候，采用的是叠加的做法，而不是FCN中的求和。
另外，u-net中有一个坑，那就是所有的卷积过程都是没有加pad的，这样就会导致每做一次卷积，特征的长宽就会减少两个像素，最后网络的输出和输入大小不一样。比如上图中，输入的图片大小是572x572，输出的概率图大小是388x388。

作者这么做的原因是为了数据增强，毕竟作者只用了30张原图做训练集。论文中介绍了一个叫overlap-tile的数据增强的方法。