FCN网络

FCN网络讲解

整个网络架构以卷积为核心，整体下采样得到特征层，最后对每个像素的通道使用softmax预测像素分类。

使用卷积层替换全连接层可以放宽对输入图片大小尺寸的要求

FCN-32S

此处经过VGG16过后，将图像的宽和高缩小了32倍。将padding设置成100，以适应不同大小的图片输入。通过两个FC卷积操作后进入到我们的分类卷积，通道数为$num_{cls}$,将通道数降低为分类数。之后经过我们的转置卷积，将图片上采样恢复到原来的图像，对像素使用softmax得到分类结果并与原图对比。

FCN-16S

该网络利用了原本经过池化的特征图信息进行融合

FCN-8S

该网络融合了两次池化的特征图结果

损失计算（Cross Entropy Loss）

交叉熵损失

对于每一个类别使用softmax给出预测概率，与真实标签进行交叉熵计算，最后对所有像素的交叉熵损失进行求平均操作得到损失结果。