Image processing 卷积层对分割任务的作用有多大？

我正在阅读Jonathan Long*、Evan Shelhamer*和Trevor Darrell撰写的论文《用于语义切分的完全卷积网络》，CVPR 2015和PAMI 2016 我想了解为什么它可以用于语义分割。让我们看看fcn-32s体系结构，它包括两个阶段：特征提取（conv1-1->pool5）和特征分类（fc6->score\U fr）。与正常分类网络相比，主要区别在于第二阶段。FCN-32s将fc7中的完全连接层替换为完全卷积层（1 x 1），以保留空间地图（如本文图2中的标题）。因此，我对这一点感到困惑：

如果我们用全卷积层替换全连接层， 如何学习传统分类中的权重 建筑

为什么我们可以使用完全卷积层来保留空间图（热图）

先谢谢你

更新：此图显示如何从完全连接层转换为完全卷积层

---

如果你看一下数学，

“卷积”层和
“内部产品”（也称为“完全连接”）层基本上非常相似：它们在各自的感受野上执行线性操作。唯一的区别是，
“InnerProduct”
将整个输入作为其“接收域”，而
“卷积”
层只查看输入中的
内核大小
窗口

如果输入大小更改，会发生什么情况？

“卷积”
层不能不关心，它只是输出具有与新输入形状对应的空间尺寸的特征地图。

另一方面，
“InnerProduct”
层失败，因为它拥有的权重数量与接收野的新大小不匹配

将模型中的顶部完全连接的层替换为
“卷积”
层允许对图像进行“滑动窗口”分类：从而实现粗略的语义分割-每像素标记，而不是每图像标记

输入标度和输出标签的粗略标度之间的标度差距仍然是一个大问题，但是有
“反褶积”
层来弥补这个差距。
你能提供更多信息/上下文吗，这样读者就不必自己搜索了？就目前情况而言，在我看来，只有那些曾经读过这篇文章并且还记得的人才会回答这个问题。谢谢javaLover。我欢迎你。我有时想问这样的问题。在这个主题上，这篇文章看起来像是一个很大的段落（没有那么吸引人）。你可以发布纸质链接吗？它还引用了诸如“FCN-32s”、“pool5”和“卷积层”之类的行话（？）。我不知道哪一个是这个地区的常用词。如果有些人不是，请提供他们的用途/意思可能是个好主意。：）@javaLover在使用
pool5
和
FCN-32s
时没有问题。对于那些有理由“投入”的人来说，这些词实际上意味着一些东西。谢谢Shai。我展示了每一层的形状：
fc6:（1,4096,16,16），fc7:（1,4096,16,16），score\u fr:（1,21,16,16）
其中
fc6
使用内核大小
7
，
fc7
和
score\u fr
使用内核大小
1
。
fc7
具有
4096
特征图，
score\u fr
具有
21
（类数）。据我所知，
fc6
的49（7x7）输入连接到
fc7
中的输出。而在
fc7
中只有一个输入连接到
score\u fr
中的一个输出，因为内核大小：1。是这样吗？此外，卷积层的权重是随机初始化的，比如高斯核，那么权重是如何学习的呢？所有模型的权重都是从初始到随机的，这是一个训练过程，它将随机权重调整为有用的@user8264。这意味着最后两个卷积将随机初始化，然后在下一次迭代后进行微调。还是从1到7的所有卷积？@user8264我对训练的细节不太熟悉
FCN-32s
。谢谢Shai。我认为所有卷积层中的所有重量都是在训练期间调整的。感谢您的宝贵意见。