深度学习论文解读：全卷积网络在语义分割中的应用

要点

 构建一个全卷积网络，首个支持端到端像素级训练的网络，网络的输入为任意尺寸，输出为等大图像。
    2. 在空间密集型预测任务中解释了其应用。
    3. 定义跳接结构，结合深层的语义信息和浅层的表征信息产生精准的分割结果

读引言

研究背景

卷积神经网络已经在多个领域取得了显著推动作用，在图像整体分类及局部结构化输出任务中展现出强大的性能优势。下一步的目标是实现对每个像素点的精细预测能力。

为什么要研究

语义分割针对语义与位置的矛盾：全局信息负责解决大范围的理解问题而局部信息则承担了相应的责任。为了应对这一问题 提出了一种称为跳接思想的新方法

主要内容

3.1 先使用分类网络训练，再将其全连接层改为卷积层进行学习

3.2与3.3 Shift-and-stitch（https://zhuanlan.zhihu.com/p/56035377）
不如反卷积快速且有效

3.4 划分为 patch 训练即相当于损失的采样

读实验

如何开展

基于分