FCN （Fully Convolutional Networks）
[TOC]
概念辨析
语义分割：不同的目标上不同的颜色
实例分割：只关注我关心的东西（汽车，行人） 其他为背景，统一为黑色
全景分割： 语义分割和实例分割的结合
难度层层递进
全局信息与局部信息
| 局部信息 | 全局信息 | |
|---|---|---|
| 提取位置 | 浅层网络中提取局部信息 | 深层网络中提取全局信息 |
| 特点 | 物体的几何信息比较丰富，对应的感受野较小 | 物体的空间信息比较丰富，对应的感受野较大 |
| 目的 | 有助于分割尺寸较小的目标，有利于提高分割精确程度 | 有助于分割尺寸较大的目标，有利于提高分割的精确程度 |
论文结构
核心思想
构建 fully convolutional, 输入任意大小，并输出相应尺寸的输出。
关键点
- skip architecture
- 结合来自深层的语义信息和来自浅层的表征信息
先验知识
感受野
是对应原图的区域大小，而不是对应上一层
在卷积神经网络中，决定某一层输出结果中一个元素所对应的输出层的区域大小。
$ RF_{l+1} = RF_l + (kernel_size-1)\times stride$
大感受野的效果要比小感受野的效果更好。
由公式可见，stride越大，感受野越大。
但是过大的stride会使feature map保留的信息变少。
因此， 在减少stride的情况下，如何增大感受野或使其保持不变，成为了分割中的一大问题