FCN是全卷积神经网络，用于图像语义分割，将图像级别的分类扩展到像素级别的分类。FCN将传统网络后面的全连接层换成了卷积层，这样网络输出不再是类别而是 heatmap；同时为了解决因为卷积和池化对图像尺寸的影响，提出使用上采样的方式恢复。其网络结构如图：
此处的上采样即是反卷积（Deconvolution）。反卷积和卷积类似，都是相乘相加的运算。只不过后者是多对一，前者是一对多。而反卷积的前向和后向传播，只用颠倒卷积的前后向传播即可。反卷积操作如下所示：
文章采用的网络经过5次卷积+池化后，图像尺寸依次缩小了 2、4、8、16、32倍，对最后一层做32倍上采样，就可以得到与原图一样的大小。但是仅对第5层做32倍反卷积（deconvolution），得到的结果不太精确。于是将第 4 层和第 3 层的输出也依次反卷积。并将最终结果合在一起。如图：
可以看出从第3层开始做上采样的插值结果最精细。
其他模型细节参考https://zhuanlan.zhihu.com/p/22976342；https://blog.csdn.net/zizi7/article/details/77093447
延伸：
FCN得到的图像分割比较粗糙，目前用的比较多的有前端使用FCN进行特征的粗略提取，后端使用CRF/MRF优化前端的输出，最后得到分割图。
1、全连接条件随机场
对于每个像素i，具有类别标签,还有对应的观测值
，这样每个像素点作为节点，像素与像素间的关系作为边，即构成了一个条件随机场。而且我们通过观测变量
来推测像素i,对应的类别标签
。条件随机场如下：
条件随机场符合吉布斯分布：(此处的x即上面说的观测值)
其中E（x|I ）是能量函数,I 为全局观测量。
等式右边第一项为一元势函数，即来自于前端FCN的输出；第二项为二元势函数，描述像素点与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，而这个“距离”的定义与颜色值和实际相对距离有关。所以这样CRF能够使图片尽量在边界处分割。二元势函数描述的是每一个像素与其他所有像素的关系，所以叫“全连接”。
深度学习+概率图模型（PGM）是一种趋势。其实DL说白了就是进行特征提取，而PGM能够从数学理论很好的解释事物本质间的联系。
概率图模型的网络化。因为PGM通常不太方便加入DL的模型中，将PGM网络化后能够是PGM参数自学习，同时构成end-to-end的系统。
