FCN特點
1.卷積化
即是將普通的分類網絡丟棄全連接層，換上對應的卷積層即可2.上采樣
方法是雙線性上采樣差
此處的上采樣即是反卷積3.因為如果將全卷積之后的結果直接上采樣得到的結果是很粗糙的，
所以作者將不同池化層的結果進行上采樣之后來優化輸出
3.跳躍結構：
現在我們有1/32尺寸的heatMap，1/16尺寸的featureMap和1/8尺寸的featureMap，1/32尺寸的heatMap進行upsampling操作之后，因為這樣的操作還原的圖片僅僅是
conv5中的卷積核中的特征，限於精度問題不能夠很好地還原圖像當中的特征，因此
在這里向前迭代。把conv4中的卷積核對上一次upsampling之后的圖進行反卷積補充
細節(相當於一個差值過程)，最后把conv3中的卷積核對剛才upsampling之后的
圖像進行再次反卷積補充細節，最后就完成了整個圖像的還原。
http://www.cnblogs.com/gujianhan/p/6030639.html
https://blog.csdn.net/qq_38906523/article/details/80520950
CNN對輸入圖片尺寸有要求，而FCN沒有的原因
經過卷積層之后的outputsize和inputsize之間的關系是固定的，outputsize = (inputsize - kernelsize) / stride + 1,但它們
並不用相互關心。
cnn在經過每個卷積層之后，產生一個feature map，這個feature map(n*n)的大小是由神經網絡的結構所決定的，
feature map進入全連接層后要變成一個長向量，這個長向量每個元素(假設為n個)需要與下一層的所有神經元相連接，
（全鏈接層輸入向量的維數對應全鏈接層的神經元個數）神經網絡
的結構一旦確定，權值參數的個數就確定，故參數個數都已確定。向前推導即是每個層得到的結果都必須是確定的，
所以，cnn對於輸入圖片的尺寸大小有要求，全連接層的輸入是固定大小的，如果輸入向量的維數不固定，那么全連接的權值參數
的量也是不固定的，就會造成網絡的動態變化，無法實現參數訓練目的
修正理解：
feature map輸入進入全連接層要變成一個長向量，這個長向量與全連接層的神經元相連接（相對應），而神經網絡整個結構一旦確定，
權值參數就確定，如果輸入向量的位數不固定，那么權值參數就會也不固定，造成網絡的動態變化，無法訓練參數。
fcn沒有全連接層，所以feature map大小不受限制，卷積結束之后，通過上采樣得到原圖片的大小。
upsampling的方法
經過對比研究，upsampling采用反卷積(有的地方叫法不同)的方法得到的效果比較好。
而在全卷積層之后直接進行Upsampling的效果並不好，因為中間的pooling操作忽略了很多有用的信息。
所以采用了一種跳躍結構，這種結構則是吧前面的pooling層的結果與卷積最后得到的結果一起做加和，
然后再進行upsampling，這樣的效果更好。如下圖：
以上介紹了FCN的各種重點知識，下面介紹整體流程及細節
1.FCN與CNN的區別就在於把CNN最后的全連接層換成卷積層來進行逐像素的分類識別，輸入圖片后經過前部分的
卷積層之后會得到一個feature map，由這個feature map進行上采樣得到與原始圖像尺寸相同的結果，從而恢復了
對每個像素的分類，最后通過softmax分類計算像素損失得到最終預測結果。結構如下圖：
FCN的缺點：
1.對像素與像素之間的關系並沒有考慮到，忽略了在通常的基於像素分類的分割方法中使用的空間規整（spatial regularization）步驟，缺乏空間一致性。
2.雖然8倍的上采樣效果還可以，但還有待提高，不夠精細，細節還有待提高。