DataWhale 零基础入门语义分割-地表建筑物识别-Task3

语义分割模型发展

语义分割网络模型的发展：FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、GAN 语义分割。本文主要以FCN 为重点进行分析

一、FCN

FCN(Fully Convolutional Network) 全卷积网络，和之前常用的分类网络的不同的地方就是里面没有全连接层，也就是对一张图的所有的像素点进行分类
为什么会出现全卷积网络(FCN)?
注：图片来源与网络

上图中的第一个网络会将一张图片转换成长度为1000的输出向量，每一个数值都表示的是图像属于每一类的概率，很容易看出这张图片的分类的标签是"tabby cat"
FCN则是通过一系列的卷积和池化得到特征图，再利用反卷积(Deconvolution)对特征图进行上采样重新得到和输入图片一样大小的特征图，由于网络中没有全连接层，所以最后得到的特征图是二维的，保留了原输入图片中空间位置信息

1.FCN主要特点

• 不含全连接层（FC）的全卷积（Fully Conv）网络。从而可适应任意尺寸输入。
• 引入增大数据尺寸的反卷积（Deconv）层。能够输出精细的结果。
• 结合不同深度层结果的跳级（skip）结构。同时确保鲁棒性和精确性。

2.反卷积(Deconvolutional)

在不断生成feature map过程中所用到的池化操作会使图片大小缩小，由于最