这篇文章的作者是Jonathan Long，于2015年发表于XXXX。
这篇文章的主要贡献是：提出了一种全卷积网络，即FCN，并在图像语义分割上做出了很好的效果。
网络框架如下：
整体的网络框架基于正常的CNN，将最后的全连接网络改为了卷积。
这样做的效果是：
1）网络得以接受任意维度的输入，不需要变成224x224了；
2）最后本该是1000x1x1维的特征变成了1000xWxH维，这个w和h就是热点图的尺寸。关于这个热点图，应该是有1000张热点图，可以看出整张图片的不同区域都激活了哪种分类的输出。在上述结构的基础上，将1000维变成21维（20种分类+背景类），再接一个反卷积层。
这样做的效果就是：
1）输出了21张热点图，然后通过反卷积网络变成了21张大小等于原图的Mask；
2）21张Mask出来之后就可以和真实数据做逐像素的损失函数了，进行训练。
这样做还有一些缺点：
1）先得到的热点图的尺寸和最后一层卷积的特征图尺寸是相当的，在作者采用的VGG16中，尺寸为原图的1/32，这就让一层反卷积网络实现32倍的放大，结果可想而知是粗糙（coarse）的。作者后来采用了skip的方法做了精细化，但或许直接采用多层的反卷积就可以有不错的效果。
2）这一段写的过程中被删掉了，因为写着写着发现了问题，我把删掉的放到后面，可以作为思路记录。训练的时候每个点的预测值就是一个21维的向量，做交叉熵损失函数。最后预测结果采用max算法。嗯这是一个提醒自己训练和测试不同的好例子。
其实21张Mask出来之后他有采用一个最大值算法，使得最后输出的MAsk就一张，包括了每个点最可能的预测。这种方式有个缺陷就是它相当于把每个点的非极大预测值变成了0。之后loss具体是交叉熵还是单纯的3-2（这个不太可能）不太清楚，就以交叉熵来说，他的损失函数就是不合理的，因为可能本身该点像素预测第二名就是对的，但这下又要推倒重来。接下来是Skip结构，是将pool3和pool4层的特征引到输出。
具体来说，pool3和pool4层特征图的大小是pool5层的4、2倍，所以最后的热点图要先反卷积扩大为2倍、4倍再相加，然后再反卷积扩大为16倍、8倍。得到原图尺寸。
这样做是为了让Mask更加精细，之前说过这个方法或许可以被替代。
接下来是训练过程：
其实上面说的比较清楚了，就是利用FCN得到图像的热点图，然后通过反卷积的方式得到与原图像尺寸相同的Mask，每个像素均包含21类的预测值，然后利用这个进行训练。测试方式是取21预测值的最大为结果。
但是还有一些细节需要说明：
- 作者采用了VGG网络，默认大小是224x224，在pool5层后输出尺寸变为1/32，为7x7，之后进行7x7的卷积，可以得出，最后热点图的大小并不是原图尺寸／32，而是$h_1 = (h-192)/32$。这就有2个问题：
1）图像尺寸不能小于224，否则输出不足1.
2）skip结构中，fc7与pool4层之间不是2倍关系。
对于这一问题的解决方式是：
1）图像在输入过程中被pad了100，最终尺寸变为$h_1 = (h+6)/32$，从而可以接受任意尺寸图像。
2）对fc7反卷积x2后进行crop裁剪。（因为他多了6） - 好像没了。
总结
这篇文章提出了一种FCN，但重点实际上在反卷积的效果上。
