全卷积网络
FCN的概念由Jonathan Long等人在2015年发表的论文中首次提出，用于语义分割（根据图像所属物体的类别对图像中的每个像素点进行分类的任务）。作者指出，可以用卷积层代替CNN顶部的密集层。
假设一个具有200个神经元的密集层位于一个卷积层的顶部，该卷积层输出100个特征图，每个特征图的大小为\(7\times7\)。每个神经元将计算来自卷积层的\(100\times\times7\times7\)的加权和（加上偏差项）。如果使用200个滤波器（每个滤波器大小为\(7\times7\)）并使用“valid"填充将卷积层替换为密集层。该层将输出200个特征图，每个特征图为\(1\times1\)（因为内核正好是输入特征图的大小，并且使用的是'valid'填充）。它将输出200个数字，就像密集层一样。唯一的区别是：密集层的输出是形状为[批量大小,200]的张量，而卷积层将输出形状为[批量大小, 1, 1, 200]的张量
要将密集层转换为卷积层，卷积层中的滤波器数必须等于密集层中单元数，滤波器大小必须等于输入特征图的大小，并且必须使用‘valid’填充、步幅可以设置为1或者更大
虽然密集层需要特定的输入大小（因为每个输入特征只有一个权重），但是卷积层可以愉快地处理任何大小的图像（但是，它确实希望输入具有特定数量的通道，因为每个内核为每个输入通道包含一组不同的权重）。由于FCN仅包含卷积层（以及具有相同属性的池化层），因此可以在任何大小的图像上对其进行训练和执行
例如，假设已经训练了CNN以进行花的分类和定位。它在\(224\times224\)图像上进行训练，并输出10个数字：通过softmax激活函数输出0到4，这给出了类别概率（每个类别一个）；通过逻辑激活函数输出5，这给出了客观分数；不使用任何激活函数输出6到9，它们表示边界框的中心坐标及其高度和宽度。可以将其密集层转换为卷积层。实际上，甚至不需要重新训练，可以将权重从密集层复制到卷积层，或者在训练之前将CNN转换为FCN
现在假设当网络被送入一个\(224\times224\)图像时，输出层之前的最后一个卷积层（也成为bottleneck层）输出\(7\times7\)特征图。如果向FCN提供\(448\times448\)的图像，则瓶颈层将输出\(14\times14\)的特征图。由于密集层已被卷积层替换，使用了10个大小为\(7\times7\)的滤波器，填充为‘valid’且步幅为1，卷积层输出将由10个特征图组成，每个特征图的大小为\(8\times8\)（14-7+1=8）。FCN将只处理一次整个图像，并且输出一个\(8\times8\)的网格，其中每个单元包含10个数字（5个类别概率、1个客观分数和4个边界框坐标）。这就像拿一个原始的CNN，以每行8步和每列8步的方式在图像上滑动一样。
将原始图像切成\(14\times14\)的网格，然后在该网格上滑动\(7\times7\)的窗口。该窗口将有\(8\times8=64\)个可能的位置，因此有\(8\times8\)个预测。但是，由于网络只查看一次图像，因此FCN方法效率更高。
标签：输出,200,卷积,网络,times7,密集,图像 来源： https://www.cnblogs.com/Reion/p/15611527.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。