语义分割

概念：输入图像，对每一个像素做分类，而不是对一整幅图像做分类。训练的数据还是图像，标签是每个像素分别归为哪一类。比如说，某一个像素是属于猫的，某一个像素是属于草地的。
语义分割会把同一类的多个物体归为一类，比如这两个牛就被分为同一类了（同一种颜色）

语义分割只用分类就能实现，所以可以使用滑动窗口来实现。对于每个小窗口，对中心像素进行分类。
问题是，我们要为每一个像素准备一个滑动窗口，而许多滑动窗口是类似的，每个滑动窗口拿去做分类时，会重复计算重叠区域的特征，所以效率非常低，尤其对正向和反向传播。
其实可以共享各个滑动窗口间的计算，因为相邻的卷积特征是类似的。

如果把用来做图像分类的卷积神经网络的最后一层（全连接层）换成卷积层，这样整个网络就都是由卷积层组成的了，所以才叫全卷积网络。
最后一个卷积层得到的是C*H*W大小的分数，C是类的个数，对于每一个类里的每一个像素给出评分，而不是对一整个类进行评分。
然后对每一个像素计算交叉熵损失函数，再用反向传播进行训练

如果在全卷积网络中我们一直保持输入图像的大小，这会耗费大量的计算量，因为你可能会有很多的卷积通道（64、128甚至256），也有很多层。
所以实际上会先做下采样再做上采样。

如何实现上采样？
1.最近距离去池化：就是直接把输入复制n份
2.钉床函数去池化：直接把输入放左上角，其他地方补零

3.进行最大池化的时候，记住取最大值的地方，然后在上采样的时候放回原来的位置。
因为语义分割是像素级别的，而最大池化会丢失一些空间信息，如果没有记住原来的位置，在最后的结果可能没有那么精确。而且储存这些位置信息占用的空间并不大。

卷积转置

上面讲的方法都是固定的方法，并没有在学习如何做上采样。比如跨卷积就是在学习如何做下采样，学习如何做上采样的就叫做卷积转置，实际上就是一种卷积方式。
输入直接数乘卷积核，然后把卷积核复制到相应的位置，如果复制的地方重叠了，把它们加起来就好

这是一个一维的具体例子：

卷积转置的来由：卷积可以写成矩阵相乘的形式，我们使用相同的权重转置后和输入相乘，就得到卷积转置
左边的输入是一维向量[a,b,c,d]，补零后是[0,a,b,c,d,0]，卷积核为[x,y,z]
右边的输入是一位向量[a,b,c,d]，卷积核为[x,y,z]

步长为2时的例子

图像分类和定位

分类定位在分类的同时，还进行物体的定位。
它和目标检测的不同之处在于：对于分类定位，输入的图像只含有一个目标

和分类的网络架构类似，这里有个全连接层拿来做分类，但我们还有另一个全连接层用来做包围框。所以我们会有两个损失函数，一个softmax损失，关于分类的；另一个可以使用L2距离来计算损失函数，实际中人们也会用L1距离、平滑L1等。两个损失函数间会有一个权重来平衡它们。

预测图像固定点的位置的想法（包围框）还可以应用到人体姿势估计上：输入一张人类的图像，输出人的关节

输入一幅图像后，输出14个参数，然后用回归损失（不是交叉熵损失函数和softmax损失函数，而是L2或L1，分类和回归的区别在于你的输出是连续的还是离散的）来评估，用反向传播训练网络