《Fully Convolutional Networks for Semantic Segmentation》
- FCN架构：
FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样， 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生一个预测，同时保留原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。
最后逐个像素计算softmax分类的损失, 相当于每一个像素对应一个训练样本。下图是用于语义分割所采用的全卷积网络(FCN)的结构示意图：
现在我们有1/32尺寸的heatMap，1/16尺寸的featureMap和1/8尺寸的featureMap，1/32尺寸的heatMap进行upsampling操作，因为这样的操作还原的图片仅仅是conv5中的卷积核中的特征，限于精度问题不能够很好地还原图像当中的特征，因此在这里向前迭代。把conv4中的卷积核对上一次upsampling之后的图进行反卷积补充细节（相当于一个差值过程），最后把conv3中的卷积核对刚才upsampling之后的图像进行再次反卷积补充细节，最后就完成了整个图像的还原。
- 什么是全卷积？
将原始的cnn全连接层改为卷积层，
- 如何将分类神经元转化到全卷积网络神经元输出粗糙map？
传统cnn的全连接层可以看作成kernel大小为整个输入区域的卷积层，
舍弃传统网络最后的池化层和池化层后的全连接分类层，将该全连接层替换为卷积核为1*1的卷积层，
- 如何将粗糙map映射到原图像素位置？
原文3.3节， 使用插值，比如简单的双线性插值计算每一个输出yij从最接近的线形映射图的四个输入
- fcn架构：
使用图片分类网络去掉最后的池化和分类层，将全连接层改为卷积层，卷积核大小为1*1，通道为21，21代表分类的类别数，这样网络输出就是[21,x,y]
- 如何精确得到原尺寸的标签？
如上图，有三个上采样的结果，其中，FCN-32s是最原始的直接对网络输出层pool5进行32倍上采样后的输出结果，该标签和原图的大小对应。FCN-16s也是对应到原图的标签，其中对pool5进行2倍上采样，然后加上pool4的结果，进行16倍上采样得到的结果，该标签和原图的大小对应。FCN-8s也是对应到原图的标签，其中对pool5进行2倍上采样，加上pool4之后的结果，再加上原始网络poll3的结果，进行8倍上采样之后的输出结果，该标签和原图的大小对应。
下图就可以看出来fcn-8s边缘细节表现上要比其他两个好得多，平均IU要比其他两个好一些，
微调：下图显示了只微调输出分类器的结果（第一行）全部微调的结果（第二行），由于网络分为编码器和解码器阶段，其中编码器从resnet50等一系列训练好的网络得到每个像素特征向量，解码器得到每个像素的属于类别的概率分数，所以我们首先可以尝试只训练分类阶段，前面的解码器使用imagenet训练好的resnet50网络，这样的pixel acc只有83%，而全部网络微调训练得到的pixel acc有89%。
- patchwise training:
第一次看到这个概念，不是很理解，最后搜索到了一个比较靠谱的解释：
简单翻译：由于一副需要语义分割的图片中有很多我们不关注的区域，因此直接输入全卷积网络会有很多的多余计算，避免冗余的一个标准方法是只输入给网络图像中的随机小块（围绕感兴趣目标的小图像区域）而不是整图像，这样的“patchwise sampling”保证输入有足够的方差和训练集的有效表示。 可以从训练集中进行小块采样，或者直接对整图的损失进行采样，所以有这个说法“Patchwise training is loss sampling”，本文[fcn]后来实验发现patchwise training 比起直接训练整幅图 并没有大的提升，但是训练花费的时间更多了，因此本文是整幅图训练。
- 整体训练流程：
先使用经典的网络初始化，舍弃池化层和池化层后的全连接层；
从特征小图（16*16*4096）预测分割小图（16*16*21），之后上采样得到大图，该网络叫做FCN-32S
训练网络FCN-16s
训练网络FCN-8s