FCN的论文简略解读+代码复现

FCN：

论文涉及重点：（想要详细了解FCN文章内容，推荐：摘要逐句解读：玩转图像分割吃透FCN顶会大佬的学习经验《摘要逐句精读》_哔哩哔哩_bilibili；论文解读：FCN文章_哔哩哔哩_bilibili）

       The natural next step in the progression from coarse to fine inference is to make a prediction at every pixel. —— 像素级分类。

作者的主要工作：

1. 将图像分类中的全连接层（fully connected layer）换成了卷积层，因此网络里都是卷积层，也是网络名字的由来（Fully Convolutional Networks，全卷积网络）。而且没有输入限制，是可以任意尺度的图像。
2. deconvolution networks（反卷积层，实际是个卷积层，正确的名字叫转置卷积）,采用上采样恢复图的大小。
3. 在PASCAL VOC数据集和NYUDv2数据集上达到了state of the art（达到最高水准的）

    4.作者经过实验，测试出VGG16作为backbone的性能最好，便在该backbone基础上进行其他实 验。

（具体可看推荐视频）

---

代码复现：

1.源代码下载地址：pochih/FCN-pytorch：最简单的全卷积网络 (github.com)https://github.com/pochih/FCN-pytorch

2.数据集下载地址：Download – Cityscapes Dataset (cityscapes-dataset.com)https://www.cityscapes-dataset.com/downloads/（1）需要注册账号才能下载，带edu的邮箱是可以免费下载的， 下载前面三个。

 （2）下载后对数据进行处理，建立一个新的文件Cityscapes;分别解压三个数据的压缩包；删掉除了下图展示的其他数据（或许保留也可以）

 （3）配置环境：pip3 install -r requirements.txt

可能会出现一些一些包无法安装或者网络问题。可以逐个下载。

scipy==0.19.1

这个也许安装不了，可以参考(102条消息) 解决AttributeError: module 'scipy.misc' has no attribute 'imread'报错问题_scipy.misc is deprecated and has no attribute imre_furuit的博客-CSDN博客

 （4）代码的修改：

train.py可以换成另外作者推荐的代码，亲测非常实用，也可以看这位作者的复现。大家可以给他点赞+打赏。 (102条消息) 从零开始的图像语义分割：FCN快速复现教程（Pytorch+CityScapes数据集）_fcn复现_Regan_zhx的博客-CSDN博客

 不过在上面提到的下载的源码需要做出一些修改：复制完上个连接推荐的train.py后，修改如下：

 

跑起来的样子： 

本人使用的3060，12G。感觉挺慢的，目测跑完500 epoch需要两天以上。

感谢参考的博主们，本内容不作为任何的商业用途，仅分享复现经验，若侵权，请联系删除。

后续还会有更多经典论文的复现。