【深度学习】U-Net和FCN具体分析
FCN
相比于普通分类网络而言：FCN把后面几个全连接都换成卷积，这样就可以获得一张2维的feature map，后接softmax获得每个像素点的分类信息，从而解决了像素级分割问题。
整个FCN网络基本原理如图5**（只是原理示意图）**：
- image经过多个conv和+一个max pooling变为pool1 feature，宽高变为1/2
- pool1 feature再经过多个conv+一个max pooling变为pool2 feature，宽高变为1/4
- pool2 feature再经过多个conv+一个max pooling变为pool3 feature，宽高变为1/8
- …
- 直到pool5 feature，宽高变为1/32。
图5 FCN网络结构示意图
那么：
- 对于FCN-32s，直接对pool5 feature进行32倍上采样获得32x upsampled feature，再对32x upsampled feature每个点做softmax prediction获得32x upsampled feature prediction（即分割图）。
- 对于FCN-16s，首先对pool5 feature进行2倍上采样获得2x upsampled feature，再把pool4 feature和2x upsampled feature逐点相加，然后对相加的featu