FCN深度学习语义分割开山之作——学习笔记
《Fully Convolutional Networks for Semantic Segmentation》提出了首个端到端的针对像素级预测的全卷积网络（FCN），可直接处理任意大小的输入图像并输出相应大小的预测结果，超过了现有技术水平。
一、提出背景
传统的语义分割方法需要对每个像素进行分类，但计算成本高且复杂。该论文的目标是利用 FCN 实现端到端的像素级预测，以更高的效率达到更好的语义分割效果。
二、全卷积网络（FCN）的特点
全卷积网络通过移除全连接层，仅使用卷积层、池化层和激活函数，构建一个完全由卷积层组成的网络结构。由于没有固定的输入尺寸限制，FCN 可以接受任意大小的输入图像，并输出相应的像素级预测结果。
三、网络设计
提出了一种创新的 跳跃结构（skip architecture），将深层语义信息（表示语义的全局信息）与浅层外观信息（表示局部细节）结合。跳跃连接使得模型在预测过程中，不仅能捕获全局的语义信息，还能保留细粒度的空间信息，从而提高了分割精度。
在理解FCN的架构之前先回忆一下VGG的架构，如下图：
FCN就是将VGG后面的全连接层换成了卷积层，使VGG能够适用于语义分割领域，如下图所示：
1、跳跃连接
通过以下几种方式可以得到多尺度的特征图，将低层特征图（高分辨率但较浅）与高层特征图（低分辨率但语义丰富）结合，通过逐层的上采样生成更细致的分割图像。
（1）FCN-32s
FCN-32s架构如下图所示，就是将VGG的全连接层换成了卷积层FC6，FC7和1×1的卷积，然后用一个转置卷积实现上采样32倍。
（2）FCN-16s
FCN-16s就是将Maxpool4的特征图（如下图尺寸为×
）与通过转置卷积上采样2倍的特征图进行合并后，再进行一个转置卷积实现上采样16倍。
（3）FCN-8s
FCN-16s就是将Maxpool4的特征图（如下图尺寸为×
）与通过转置卷积上采样2倍的特征图进行合并后，再进行一个转置卷积实现上采样2倍，此时特征图尺寸为
×
，最后与Maxpool3的特征图（如下图尺寸为
×
）进行合并后，做最后一次转置卷积向上采样8倍。
2、转置卷积
转置卷积就是起到一个上采样的作用。
（1）为什么要提出新的上采样方法（转置卷积）？
①可学习的参数，更具适应性
- 传统的插值方法（如双线性插值）使用固定的插值权重，不能进行任务特定的学习，因此在恢复细节信息时效果有限。
- 转置卷积引入了可学习的参数，能够通过反向传播来优化上采样过程，从而更好地恢复原始图像的细节，并对语义分割任务进行优化。
② 更精确的细节恢复
- 在语义分割中，精细的边缘和小目标物体的识别至关重要。双线性插值等方法上采样后的结果可能模糊，无法清晰地表达物体的边缘。
- 转置卷积通过学习，能自适应地生成细节更丰富、边界更清晰的分割结果，提高分割的精度。
③ 无缝集成于卷积神经网络（CNN）框架
- 转置卷积可以直接集成在卷积神经网络中，与其他卷积层共享相同的操作机制。在前向传播中用于上采样，在反向传播中用于梯度更新，方便进行端到端训练。
- 这样可以避免额外的上采样模块，使得整个网络结构更加简洁，并减少了预处理和后处理的复杂性。
④ 保持空间结构的连续性
- 转置卷积通过可控的步幅和填充策略，可以确保上采样后的特征图保留空间上的连续性，即上采样后的每个像素仍然与输入图像有直接的空间关系。这种连续性对于像素级任务（如语义分割）尤为重要。
- 通过上采样的过程中学习适应性的卷积核，转置卷积可以在增强细节的同时，保持整体的语义一致性。
⑤ 减少“花瓶效应”
- 传统的插值方法在处理较深层的特征图时容易出现信息丢失，导致上采样后的特征图缺乏高层语义信息的清晰表达，出现“花瓶效应”（即物体的内部信息和边界被模糊化）。
- 转置卷积通过学习不同尺度的特征信息，减少了“花瓶效应”的产生，在上采样时保留更丰富的语义信息。
参考视频：
FCN网络结构详解(语义分割)_哔哩哔哩_bilibili
转置卷积（transposed convolution）_哔哩哔哩_bilibili