FCN全卷积神经网络

目录

前言

一、FCN的意义

二、先验知识

1.FCN-32S,FCN-16S,FCN-8S

         2.上采样，下采样 

3.大体网络结构

4.与传统网络（带全连接层的网络）区别

5.传统网络VGG网络结构

 三、FCN网络结构解析

1.FCN-32S

2.FCN-16S

3.FCN-8S

!!!重要：FCN-16S和FCN-8S，都融合了相对底层的特征图信息

4.损失计算

总结

---

前言

随着人工智能的不断发展，深度学习这门技术也越来越重要，很多人都开启了学习深度学习，本文就介绍了深度学习图像分割的典型网络FCN的基础内容。

一、FCN的意义

意义：首个端到端（end to end）的针对像素级预测的全卷积网络

           是深度学习图像分割领域的开山之作

二、先验知识

1.FCN-32S,FCN-16S,FCN-8S

这些都是FCN网络模型，不同之处在于后面的数字，他们代表对预测结果上采样的倍数

例如：FCN-32S代表对于预测结果进行32倍的上采样还原到原图大小 

2.上采样，下采样 

上采样（upsampling）：又名放大图像、图像插值

上采样有3种常见的方法：双线性插值(bilinear)，反卷积(Transposed Convolution)，反池化(Unpooling)；

下采样（subsampled）：又名降采样、缩小图像；

其实下采样就是池化；

3.大体网络结构

​

---

 4.与传统网络（带全连接层的网络）区别

     4.1 全连接如何转变为卷积层

 5.传统网络VGG网络结构

 三、FCN网络结构解析

1.FCN-32S

这里有几点需要注意:
1.VGG Backbone就是图中上方画圈的部分，可以看到，原来224*224的被变为7*7，尺寸大小除以了32 ，所以从VGG Backbone输出的就是h/32,w/32

2.从VGG Backbone到FC7部分，用的都是VGG网络的权重参数，仅在后面增加了一个1*1大小的卷积层和转置卷积用于调整通道数和上采样恢复特征图大小

2.FCN-16S

可以看出来，前面部分与FCN-32S差别不大，区别就在于FCN-16S融合了MaxPooling4的特征图信息 

3.FCN-8S

可以看出来，前面部分与FCN-32S差别不大，区别就在于FCN-8S融合了MaxPooling4和  MaxPooling3的特征图信息 

!!!重要：FCN-16S和FCN-8S，都融合了相对底层的特征图信息

4.损失计算

对每个pixel在channel方向进行softmax处理，得到每一个类别的概率，与true label计算交叉熵损失，最后求平均，就可以得到整个网络最终的损失

总结

FCN是深度学习分割的最基本网络，后来的网络基本思想和其相似（先下采样再上采样最终得到分割结果），当然也有很多改进，不过本人认为和FCN没有本质的区别，理解了FCN就理解了深度学习分割的精髓