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文章来源：https://www.toymoban.com/news/detail-450168.html
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文章来源地址https://www.toymoban.com/news/detail-450168.html
到了这里，关于FCN全卷积神经网络的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
