这是CVPR 2015拿到best paper候选的论文。
论文下载地址：Fully Convolutional Networks for Semantic Segmentation
尊重原创，转载请注明：http://blog.csdn.net/tangwei2014
1.概览&主要贡献
提出了一种end-to-end的做semantic segmentation的方法，简称FCN。
如下图所示，直接拿segmentation 的 ground truth作为监督信息，训练一个端到端的网络，让网络做pixelwise的prediction，直接预测label map。
2.问题&解决办法
1）如何做pixelwise的prediction？
传统的网络是subsampling的，对应的输出尺寸会降低，要想做pixelwise prediction，必须保证输出尺寸。
解决办法：
（1）对传统网络如AlexNet，VGG等的最后全连接层变成卷积层。
例如VGG16中第一个全连接层是25088x4096的，将之解释为512x7x7x4096的卷积核，则如果在一个更大的输入图像上进行卷积操作（上图的下半部分），原来输出4096维feature的节点处（上图的上半部分），就会输出一个coarse feature map。
这样做的好处是，能够很好的利用已经训练好的supervised pre-training的网络，不用像已有的方法那样，从头到尾训练，只需要fine-tuning即可，训练efficient。
（2）加 In-network upsampling layer。
对中间得到的feature map做bilinear上采样，就是反卷积层。实现把conv的前传和反传过程对调一下即可。
2）如何refine，得到更好的结果？
upsampling中步长是32，输入为3x500x500的时候，输出是544x544，边缘很不好，并且limit the scale of detail of the upsampling output。
解决办法：
采用skip layer的方法，在浅层处减小upsampling的步长，得到的fine layer 和 高层得到的coarse layer做融合，然后再upsampling得到输出。这种做法兼顾local和global信息，即文中说的combining what and where，取得了不错的效果提升。FCN-32s为59.4，FCN-16s提升到了62.4，FCN-8s提升到62.7。可以看出效果还是很明显的。
3.训练细节
用AlexNet，VGG16或者GoogleNet训练好的模型做初始化，在这个基础上做fine-tuning，全部都fine-tuning。
采用whole image做训练，不进行patchwise sampling。实验证明直接用全图已经很effective and efficient。
对class score的卷积层做全零初始化。随机初始化在性能和收敛上没有优势。
4.结果
当然是state-of-the-art的了。感受一下：
