1.FCN网络概述

FCN网络（Fully Convolutional Networks）：首个端对端的针对像素级预测的全卷积网络。

FCN网络思想：输入图像经过多次卷积，得到一个通道数为21的特征图，再经过上采样，得到一个与原图同样大小的特征图，再经过Softmax函数处理就能得到该像素针对Pascal Voc数据集每一个类别的预测概率，选择最大概率的类别作为该像素的预测类别。

FCN网络在VGG网络上做出的修改：把VGG全连接层改为卷积层。一方面，可以不用固定输入图像的大小。另一方面，当输入图像大小大于24x24，最终得到的输出特征图的channel就会变为2D的数据，这时我们把channel提取出来就得到一张热图（heatmap）。

 最上面一个网络模型为vgg 16。

2.几种不同的FCN网络

FCN-32s：使用32倍的上采样。FCN-16s：使用16倍的上采样。FCN-8s：使用8倍的上采样。

(1) FCN-32s

VGG16 Backbone（主干网络）为VGG16网络全连接层之前的网络部分。注意：FCN网络把VGG全连接层改为卷积层，即其中两个卷积层为FC6，FC7。

模型的训练过程如下：

1.输入图片，首先，通过VGG16 Backbone（主干网络）会将图片下采样32倍，得到的特征图W、H为原图片大小的1/32，Channel变为512。

2.其次，经过size=7x7，padding=3，卷积核数为4096的FC6卷积，输出特征图大小不变，Channel变为4096。

3.再次，经过size=1x1，padding=1，卷积核数为4096为FC7卷积，输出特征图大小不变，Channel也不变。

4.然后，经过size=1x1，padding=1，卷积核数为num_class的卷积，输出的特征图大小不变，Channel变为num_class。

（num_class为分类个数，VGG网络全连接层会经过softmax进行多分类，因此我们要把Channel值设置为分类个数，确保参数个数与VGG保持一致。讲解视频中有提到！）

5.最后，经过一个size=64的上采样（即32倍的上采样），特征图恢复到原图大小。得到的特征图的Channel仍然为num_class。

（在源码中，这里没有使用上采样，而是直接使用双线性插值还原。原因是直接使用32倍的上采样效果不明显，不用也可以。这是由于直接放大32倍导致的。）

(2) FCN-16s

 

(3) FCN-8s