FCN-反卷积
一对多的操作，卷积的逆操作：小数步长1/f，卷积核尺寸不变，前向和后向传播：对应于卷及操作的后向和前向传播，优化上做颠倒，在举证化操作中，反卷积核矩阵是卷积核矩阵的转置，学习率为0，准确叫法:转置卷积
卷积操作矩阵化：卷积参数：输入输出：4*4->2*2，核尺寸：3*3，填充为0，矩阵乘：输出展开为16维向量x，输入展开为4维向量y,卷积->
反卷积操作矩阵化：卷积参数：输入输出：2*2->4*4，核尺寸：3*3，填充为：核尺寸-1，矩阵乘：输出展开为4维向量y，输入展开为16维向量x,卷积->
FCN-卷积/转置卷积的参数关系
步长：1，padding=0
步长：1，padding>0
步长>1，padding>0
语义分割
DeepLab全卷积网络
基本结构：优化后的DCNN+传统的CRF图模型，新的上采样卷积方案：带孔结构的膨胀卷积，多尺度图片表达：Atrous空间金字塔池化，边界分割的优化：使用全连接条件随机场CRF进行迭代优化。
模块1：DCNN输出粗糙的分割结果
模块2：全连接CRF精化分割结果
孔算法：解决原始FCN网络的输出低分辨率问题（100padding），降低池化层的降采样倍数，VGG16网络Pool4和Pool5层的步长：2->1，减少降采样倍数：32->8，后续卷积核的感受野（Field-Of-View）会受影响（变小），这些卷积核无法用来fine-tune，更改卷积核的结构->加孔（Hole）无上采样功能，恢复感受野，可用来fine-tune，保证了网络最终的高分辨输出（仅8倍降采样）
卷积核结构：尺寸不变（3*3），元素间距变大（1->2）步长不变（1），优势：参数数量不变，计算量不变，高分辨率输出，采用层：Conv5孔尺寸2，Conv6孔尺寸4。
膨胀卷积：孔算法的正式命名，与降低池化层步长配对使用，以取代上采样反卷积，孔尺寸->rate，rate越大，感受野越大
Atrous空间金字塔池化：
不同感受野(rate)捕捉不同尺度上的特征，在conv6层引入4个并行膨胀卷积
rate:6,12,18,24
4个并行膨胀卷积感受野：13*13,25*25,37*37,49,*49
FC6->FC7->GC8，深度：4096->1024->对应数目，卷积核：3*3->1*1->1*1，最终融合：概率相加。
DeepLab-全连接CRF
作用：通过迭代精化分割结果（恢复精准边界），输入：首次：FCN网络输出结果的8倍双线性插值，非首次：上一轮迭代结果。
能量计算基于图片RGB像素值
