圖像分割，也可以稱為 語義分割，圖像語義分割，
它是指像素級的分類，即圖像上每個像素的類別，如屬於 人還是獸，從而進行區域分割；
FCN VS CNN 網絡結構
CNN 是圖像級的分類，很多地方把他們混在一起講了一大堆，個人覺得沒必要，本文只講重要的，廢話請百度；
全卷積網絡，Full Convolutional Networks，它是 圖像分割 的基礎框架，很多模型都是基於 FCN 進行的改進；
全卷積網絡，顧名思義，就是沒有全連接，類比 CNN ，就是把 全連接改成 卷積，就是全卷積網絡了；
后面的 3 個全連接改成了 全卷積；
FCN 網絡
1. image 經過 conv 和 pool 得到 pool1 的 feature map，size 變為 1/2；
2. pool1 經過 conv 和 pool 得到 pool2 的 feature map，size 變為 1/4；
3. 依次...，最終得到 5 個 feature map；
作者對 這 5 個 feature map 進行了幾種嘗試：
1. 直接把 feature map 5 進行 32 倍上采樣，得到和原圖 size 一致的 圖像，稱為 FCN32；
feature map 5 x 32
2. 保留 feature map 4，把 feature map 5 進行 2 倍上采樣，然后和 feature map 4 逐點相加，再進行 16 倍上采樣，得到和原圖 size 一致的圖像，稱為 FCN16；
(feature map 5 x 2 + feature map 4) x 16
3. 先把 feature map 5 進行 2 倍上采樣，然后和 feature map 4 逐點相加得到 fm，在把 fm 進行 2 倍上采樣，和 feature map 3 進行逐點相加，然后進行 8 倍 上采樣，稱為 FCN8；
[(feature map 5 x 2 + feature map 4) x 2 + feature map 3] x 8
最終在每個像素上采樣 softmax 進行分類評分，做損失，做預測等；
嘗試結果如下圖
很明顯，FCN8 效果最好，它 保留的 淺層特征最多；
FCN 的原理就是這么簡單，當然還有些細節，比如 圖片過小的話，pool5 可能很小，甚至為 0，這些不重要；
FCN 圖示
最后的 21 是 20 個類別 + 1 個背景，21 類；
FCN 總結
優點：端到端；輸入尺寸無需固定；
缺點：分割不夠精細；對像素進行獨立分類，沒有考慮像素之間的關系；
參考資料：
https://zhuanlan.zhihu.com/p/34453588 FCN 論文筆記
https://zhuanlan.zhihu.com/p/31428783 圖像語義分割入門+FCN/U-Net網絡解析