定义：

首个端对端的针对像素级预测的全卷积网络（分类网络中的全连接层替换成卷积层）

正向推理+反向学习过程：

通过一系列卷积和下采样（减少特征信息）得到最终特征层（channels=21 pascalvoc数据集20类别+1背景），经过一个上采样（增大图片尺寸）得到和原图一样大小的特征图，经过一个softmax（将输出转化为概率分布），取概率数最大的项数作为预测类别

与CNN的关系与区别：

CNN：

用途：

用于分类， CNN 通过卷积层、池化层、全连接层等逐步提取特征，最后通过全连接层输出类别标签。

结构：

CNN 前面的部分使用卷积和池化层提取特征，最后几层通常是全连接层，它们将特征映射到固定维度的向量空间，然后通过分类器输出分类结果。

FCN：

用途：

图像语义分割，网络的输出是一个与输入图像大小相匹配的像素级分类结果。

结构：

FCN将全连接层替换为卷积层，这样网络能接受任意尺寸的输入，并输出与输入相同尺寸的预测结果。全卷积网络取消了 CNN 中固定长度的全连接层，通过卷积操作在输出空间进行逐像素的预测。

在卷积核大小与输入尺寸相同时，输出节点与卷积核个数相同时，全连接层与卷积层是等价的

Resnet18：

通常被作为骨干网络来提取特征，而FCN则通过特征生成密集的像素级别预测

结构：

卷积层 -> 批量归一化 -> RELU激活层 -> 残差块 -> 全局平均池化层 -> 全连接层

FCN:

FCN-32S:

Vgg -> FC6：

Padding=3 不会改变特征图的高和宽

使用4096个卷积核，所以的得到的通道数为4096

FC7:

fc7 将从前面卷积层和 fc6 提取的高级特征进一步处理。它将这些特征进行更高层次的抽象，以形成更紧凑的、具有更强辨别能力的特征表示

Num_classes:

图像的分类且包含背景

转置卷积：

上采样32倍恢复到原图的大小

双线性插值：

初始化卷积的参数

FCN-16S:

Maxpooling 4：

下采样率16

Maxpooling 3：

下采样率8

经过最后的16倍上采样得到原图大小

FCN-8S: