CNN網絡的經典結構是： 輸入層—>（卷積層+—>池化層？）+—>全連接層+
（其中+表示至少匹配1次，？表示匹配0次或1次）
全卷積神經網絡Fully Convolutional Network (FCN)
全卷積神經網絡即把CNN網絡最後的全連接層替換爲卷積層。爲什麼這麼做？換句話說這樣會帶來什麼好處呢？
首先，說一下卷積層和全連接層的區別：卷積層爲局部連接；而全連接層則使用圖像的全局信息。可以想象一下，最大的局部是不是就等於全局了？這首先說明全連接層使用卷積層來替代的可行性。
然後，究竟使用卷積層代替全連接層會帶來什麼好處呢？答案：可以讓卷積網絡在一張更大的輸入圖片上滑動，得到每個區域的輸出（這樣就突破了輸入尺寸的限制）。論文裏Fully Convolutional Networks for Semantic Segmentation介紹的很清楚，解讀如下：
需要說明的是這一特性不僅可用於語義分割，在物體分類、目標檢測中都可以使用。
參考：
How does the conversion of last layers of CNN from fully connected to fully convolutional allow it to process images of different size?
CS231n課程筆記翻譯：卷積神經網絡筆記
論文筆記–Fully Convolutional Networks for Semantic Segmentation