FCN 直接学习一张类别地图
课堂上下文：从哪个问题来
FCN 从逐像素类别图出发，独立于区域检测路线。将 [B,C,H,W] logits 与 [B,H,W] 标签一一对应，理解分割损失和 ignore 像素。LAB11 从图像预测 mask；已知 mask 的缩放练习只检验采样，不检验视觉预测。
如果用途是给组织切片的每个像素指定类别，先列一组外接框可能并不是自然起点。FCN 从空间网格出发：把分类网络改成可对不同输入大小输出空间分数图的计算，接受逐像素标签训练，再恢复到目标分辨率。
一个 C 类分割模型可以交付 [B,C,H,W] logits，每个像素有 C 个实数；目标 [B,H,W] 保存该像素的整数类别。类别维 softmax 决定“同一位置是哪类”，空间维则保留“这个判断在哪里”。如果把所有空间位置先平均成一个类别向量，就改了任务。
FCN 与区域检测是两条并行问题线：前者组织像素类别，后者组织对象集合。两条线都能利用分类预训练，却不能把 FCN 描述为 Faster R-CNN 的后继版本。原始 2014/2015 FCN 摘要报告 VOC 2012 的 mean IU 为 62.2%；2016 扩展版本有不同数字，引用时需区分版本。
最值得带回科研任务的是这个接口改变：表示能迁移，并不意味着原输出头能直接交付新答案。标注的单位变成像素，损失与评价也须随之改变。
整图的空间特征直接产生逐位置类别分数。 查看对应图解状态
- 区域路线与像素路线，目标不同
- R-CNN → Fast → Faster
- 一组对象：类别 + 框
- FCN · 每位置类别分数
- 语义类别地图
- Long · Shelhamer · Darrell，2014 预印本 / CVPR 2015
- FCN 是密集像素预测路线，不是 Faster R-CNN 的下一代。