图像分类和检测任务，一般包含图像分类、目标检测、语义分割。其中语义分割相对较难，因为要预测的是每一个像素的类别。

FCN

全卷积神经网络（Fully Convolutional Network）是目前很多语义分割方法的基础。  
    从图中可看出，神经网络结构只有卷积模块，在网络的尾端并没有全连接层。然后通过逐像素预测得到原图像中每个像素的预测结果。后面这一步是如何实现，后面会说到。

解决问题

1.DCNN对于WHAT（分类问题）很好，但丢失了WHERE（位置信息）。 2.一些目标检测任务不是端到端，比如RCNN需使用selective search得到proposal，再送到图像分类算法中检测。

将全连接层替换为卷积层：

 
  如图所示，上图上半部分显示的是一个猫经过LeNet5神经网络，最终得到这整张图像的分类结果，这是一种粗糙的图像检测/分类任务，在一张图像中的一个patch（下半部分得知，上半部分的猫实际上是原图的一部分）得到一个分类。全连接层1000个神经元，意味着有1000类。   要将全连接层换成卷积层很简单，例如原先网络最后一个卷积层是7×7×channal，将原本1×1×4096的全连接层，转换成4096个7×7×channal卷积核即可，然后再接下来的两个全连接层替换成4096个1×1×4096的卷积核、1000个1×1×4096的卷积核。   但是这样做的意义不大，同样地丢失了WHERE信息。要得到像素级别的分类，为了得到一个heatmap（有一定的长和宽！），所以不需要这么大的kernal（比如上段的7×7×channal卷积核），只需要在需要输出分辨率的特征中添加1000个1×1×channal的卷积核即可。（假设1000为分类类别数量）。   再解释一下，我们知道CNN在浅层得到的是一些基础特征，如点、线等，越往深层得到的特征越高级，越完整，比如浅层网络得到的特征为一个鸟的头、脚、翅膀，深层网络得到鸟的整个形状。但由于部分卷积和pooling层有下采样的作用，所以输出的图层分辨率小于原图，注意到最后的output有1000个channals，意味着在output的每一个像素都有对应类别的概率。   简单地将全连接层转化成卷积层，得到了一个“heapmap”，即一个分辨率比较小的map的每个像素的分类概率。这与我们后面需要得到与原图分辨率大小一样的map（同时需知道每个像素的分类概率）还有一定的差距。  

上采样output使其恢复到原图分辨率

作者介绍了三种方法，一种是OverFeat中提出的Shift-and-stitch，另一种是简单的双线性插值，还有一种是称为deconvolution反卷积的方法。 Shift-and-stitch方法会在附件补充。双线性插值根据插值像素x轴与y轴相邻的像素值权重来确定。   本文采用了第三种方法，反卷积（deconvolution）。图像卷积由于stride和padding不同，有可能会对图像进行下采样，同时pooling层也会使分辨率下降。只要我们知道卷积的参数，进行反操作，就可以使下采样的图像恢复到原图像的大小。   举一个简单的例子。下图是一个传统的CNN过程。  
  计算过程如下，使卷积核从左到右、从上而下与图像进行内积和操作，得到卷积后的结果。  
  实际上在实现方法上，用的是矩阵乘法，kernal可以写成矩阵形式（卷积矩阵），图像也可以写成一维向量的形式。 如下图表示，kernal写成矩阵形式（卷积矩阵），图像也写成一维向量的形式。  
  于是kernal可写成：  
  图像可写为：  
    卷积的过程可以表示为：  
  那deconvolution呢？已知卷积核与卷积后的output，恢复图像。  
  这就完成了反卷积deconvolution的过程。 直观上看，deconvolution就是以下动画：  
  注意，这个kernal参数是可学习的。 还有一种上采样的方式，为unpooling，这是不可学习的，在进行maxpooling时记录max值的位置，在进行unpooling时将值填进原位置，并在其余位置补零。  

使用FCNs网络来进行像素级别的图像分类

通过deconvolution的过程，就可以将原本较小的图像恢复到input大小，也即得到了每一个像素的分类概率。  
  已知通过网络，最终输出output大小为原图的1/32，放大32倍得到原输入大小，会出现一个问题，就是分类不够细腻，为了更加细腻，一个简单的想法就是，融合了多个不同卷积层的output，也就是使用多层output叠加。  
  由图可知，FCN-32s即是最后的output放大32倍的结果，FCN-16s指的是倒数第二层pooling层的output放大16倍与最后的output放大32倍相加的结果，同理可知FCF-8s。   最后的效果可以由下图所示，可以看到FCN-8s被细化过，像素分类更加精确。  
  U-Net也是如FCN一般中语义分割任务的经典之作，一开始是用于生物图像的语义分割。

U-net

背景

在医学图像中，很多情况的输出需要定位，故需要使用语义分割的方法。   在之前的方法中，是使用sliding-windows方法预测每一个像素的label class，即通过提供一个局部区域（patch）作为输入。首先，这个network可以定位，其次，patch的训练数据远大于训练图像集。   显然，这个策略有两个缺点。 一是这个网络很慢，因为网络为每个patch分开运行，同时因为patch的重叠有大量的冗余。 二是这是一个在定位精度和图像内容使用的权衡，大patches需要更多maxpooling操作可减少定位精度，小patches又只能看到少的内容。   现在有一些方法提出了一个观点，输出要考虑多层特征。全局定位和内容使用是有可能同时兼顾的。  

U-Net架构

本文提出一种架构，也称为“fully convolutional network”。没有使用到全连接层。  
 
  网络经过了四次下采样，再经过四次上采样。在每一个下采样都采用了double数量的feature channels。   将下采样的output与上采样的output叠加。由于下采样output分辨率会比上采样output的分辨率大，故需要进行裁剪，得到上采样对应outpurt的尺寸后，再进行叠加。这里与FCN的skip connect有些不同，FCN里是直接把数值相加，而U-Net里是进行特征叠加，使channal翻倍。最后使用类别总数的1×1卷积核进行卷积，得到最后的output，这里和FCN是一致的。  

overlap-tile 策略

  个人理解是由于图像分辨率太大难以学习，故采取了剪切的方法，但是由于剪切之后边缘部分难以进行分类，于是采用了overlap-tile策略。   根据图中显示，由于图像太大，可先裁剪一个patches（黄色框）来进行语义分割，但是黄框的边缘被剪切，特征被破坏。   于是在实际的分割任务中，选取黄框周围更大分辨率的图像来进行语义分割，再将结果进行裁剪。最后再将这些patches进行拼接，得到一整张图的语义分割结果。 这样做的目的是为了更好地检测每一个patches的边缘信息，拼接后更加准确。   对于两种网络而言，一个比较明显的区别就在于FCN是把信息相加，而U-Net是拼接。 看完两经典网络之后，感觉语义分割大概就是这么一个套路：

1. 提取图片特征；
2. 将输出的全连接层换成全卷积层；
3. 使用上采样+多层叠加方式得到分类结果。

  参考文献： 《Fully Convolutional Networks for Semantic Segmentation》 《U-Net: Convolutional Networks for Biomedical Image Segmentation》 https://medium.com/activating-robotic-minds/up-sampling-with-transposed-convolution-9ae4f2df52d0