玩转图像分割吃透FCN！顶会大佬的学习经验来了！

看了标题也许你会说，我做图像分割可以用U-Net、SegNet、DeepLab、GCN、DFANet、RedNet、RefineNet 进行图像分割训练。是U-Net在医学图像上应用更广，DeepLab v3+在自然图像上应用更广，看起来FCN没必要学的样子。

不过话说回来，虽然截至目前我们已经分化出了数以百计的模型结构，但是，深入学习后你就会发现，FCN是基础，涉及到分割的核心思想，没有FCN就没有上面说的那些深度学习分割算法。

当前最成功的图像分割深度学习技术都是基于一个共同的先驱：FCN（Fully Convolutional Network，全卷积神经网络）。

FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。

【语义分割】：简单来说是按图像中物体表达的含义进行抠图。相比传统的目标识别，语义分割它更强大。语义分割模型不仅可以识别简单的类别，而且还可以进行多目标、多类别、复杂目标以及分割目标，所以FCN必读不可。

FCN作为图像分割的开山之作与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax 输出）不同。

FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。

如果你正在学习FCN《Fully Convolutional Networks for Semantic Segmentation》，想要啃透复现FCN，奠定你的图像分割基础的同学。下面推荐这个两天的直播课无疑是最适合的选择——深度之眼《图像分割经典论文复现班》

深度之眼好评度超高的Cola导师 结合自己工作及学习经验，并配合深度之眼教研团的打磨，总结出一条图像分割开山之作专属学习路径👇

从概念到应用场景，明确FCN不是目的而是前提！

手把手拆解论文结构，1小时搞懂FCN

① 不含全连接层(fc)的全卷积(fully conv)网络。可适应任意尺寸输入。

② 增大数据尺寸的反卷积(deconv)层。能够输出精细的结果。

③ 结合不同深度层结果的跳级(skip)结构。同时确保鲁棒性和精确性。

就连训练技巧老师也会在直播中讲到！名额有限，扫码预约直播，领资料！

👇👇👇