卷积网络 能够自动的学习图像的不同特征，
较浅层（感受野小）学习到图像的局部区域特征；
较深层（感受野大）学习到图像的抽象特征（对大小/位置/方向等因素敏感性低，也因此具有一定的鲁棒性）。
传统的基于CNN 的图像分割，为了对一个像素进行分类，需要把该像素周围的一个图像块作为CNN 的输入，用于网络的训练和预测，这样的开销很大：一是存储开销大，二是计算效率低（重复像素很多），三是图像块限制了感受野的大小。
下图是 全卷积网络（FCN）用于语义分割的网络结构：
原图通过不断的卷积和池化（大小分别缩小为原图的2倍→4倍→8倍→16倍），图像越来越小，分辨率越来越低。为了得到原图的分辨率，将最后一层卷积特征进行上采样，通过反向卷积（deconvolution）实现，得到与原图大小一致的heatmap图，每个位置输出该像素点所对应的类别概率（论文中VOC数据集共有21个分类）。
FCN将分类网络的最后一层去掉，将全连接层改为全卷积层。在AlexNet/VGG16/GoogleLeNet等修改后的网络上进行反向传播微调网络，得到实验结果如下图所示。
分类网络：卷积网络+全连接 的结构，能够得到固定大小的特征向量进行分类（softmax输出每个类别的对应概率）。
而全卷积层通过上采样，保持与原图大小一致，因此可以对每个像素进行分类，输出每个像素对应的概率。
与传统的基于CNN 的图像分割方法相比，FCN有两个明显优势：
1.可以接受任意大小的输入；
2.避免了重复存储和计算，更加高效。
卷积网络的深层特征通过“非线性的，从局部到全局的”金字塔结构，编码了图像中的语义和位置信息。全局信息解决“是什么”，而局部信息解决“在哪里”。论文指出可以采用“融合层”策略，将高层特征和低层特征进行融合来提高分割性能，下图是几种不同的FCN结构。
第一行表示FCN-32s方法：
原图经过不断的卷积和池化，得到conv7层的特征（比原图缩小了32倍），将conv7通过32倍的上采样（反向卷积）得到最后结果。但是conv7层的特征属于高层抽象特征，采样后得到的结果不够精细。
第二行表示FCN-16s方法，采用“融合”策略来细化图像分割结果：
将conv7的结果进行2倍上采样，与pool3相加，作为“融合”，然后将“融合”结果进行16倍的上采样（反向卷积）得到最后结果。实验结果表明，将高层特征与低层特征的融合能够明显提高像素点的分类效果。
第三行表示FCN-8s方法：
将conv7进行4倍上采样，pool4进行2倍上采样，与pool3进行融合，将融合结果进行8倍上采样（反向卷积）得到最后结果。
下图是几种FCN结构的结果，对比发现，FCN-32s能够得到大致的分割结果，但是不够精细。FCN-16s和FCN-8s明显比FCN-32s精细很多，而且融合了两种高层特征的FCN-8s已经很接近Ground Truth了。
FCN结合了卷积网络的层级特性，并且细化了输出。论文里还提出了两种细化结果的方法：
1.减小池化层的stride大小，但是修改之后，后面的层也需要进行调整，这就比较麻烦了；
2.采用shift-and-stitch方法，但是这种方法的开销比“融合层”更大，因此论文实验中没有采用。
