FCN
首个端到端的针对像素级的全卷积网络
FCN的思想
一般使用的分类网络会在最后添加几个全连接层，将多维转化为一维，然后利用softmax得到最后的结果，语义分割要得到的是分割图，所以最后不能要全连接接层
将深层次粗糙的信息和浅层次精细的信息相融合，定义了一种新的“跳过”架构，将深度、粗略的语义信息和浅层、精细的外观信息结合在一起
fcn使用vgg作为backbone，将其最后的全连接层改成了几个卷积层，然后进行上采样
对原图像进行卷积conv1、pool1后原图像缩小为1/2；之后对图像进行第二次conv2、pool2后图像缩小为1/4；接着继续对图像进行第三次卷积操作conv3、pool3缩小为原图像的1/8，此时保留pool3的featureMap；接着继续对图像进行第四次卷积操作conv4、pool4，缩小为原图像的1/16，保留pool4的featureMap；最后对图像进行第五次卷积操作conv5、pool5，缩小为原图像的1/32，然后把原来CNN操作中的全连接变成卷积操作conv6、conv7，图像的featureMap数量改变但是图像大小依然为原图的1/32，此时图像不再叫featureMap而是叫heatMap，然后将不同池化层的结果进行上采样，然后对这些结果进行结合输出，分别得到FCN-32s，FCN-16s，FCN-8s
FCN-8s过程
conv7经过一次4x upsample，即使用一个卷积层，特征图输出大小为conv7的4倍，所得4x conv7的大小为4x4。然后pool4需要一次2x upsample，变成2x pool4，大小也为4x4。再把4x conv7，2x pool4与pool3进行fuse，得到求和后的特征图。最后增加一个卷积层，使得输出图片大小为pool3的8倍，也就是8x upsampled prediction的过程，得到一个end to end的图像。实验表明FCN-8s优于FCN-16s，FCN-32s。
缺点：
在使用五个pooling层之后，面积已经缩小32倍了，对于第六次卷积
所以如果输入图片面积小于192就不行，所以刚开始就添加padding=100，但会引入很大噪声，但就无法保证像原理图上的1/2，在特征融合时，无法保证feature map一样大，所以要引入crop层进行裁剪
####
