# 选读：FCN、U-Net、FPN 的连接究竟送来了什么
[独立阅读](/course/blocks/multiscale-architecture-comparison.html)**课堂上下文：从哪个问题来**
较细支路给解码器另一份可能保留位置线索的输入，但不保证边界正确；应在同一任务比较错误图与逐类 IoU。现有实验中，RGB 简单基线在原条件下胜出，FCN 在模糊后更稳健。对照两种条件，判断结构何时实际有用。


把“有跳连”当成一个共同名字，容易遮住任务差异。FCN 的跳接把较细层的空间线索与粗语义预测结合，服务于逐像素输出；U-Net 的编码—解码路径将高分辨率特征接到相应解码层；FPN 自顶向下融合与横向连接，形成可供不同尺度对象使用的特征层级。



| 观察点 | 应在计算图里找什么 |
| --- | --- |
| 较细信息从哪里来 | 原图或编码器哪个中间层，而非只看上采样箭头 |
| 怎么对齐 | 两条支路的步长、尺寸、坐标约定 |
| 怎样组合 | 相加或拼接，组合后是否再有可学习预测 |
| 服务哪个目标 | 单张类别图、多尺度框、局部实例 mask |



如果原图中 4×4 像素的目标进入 stride16 网格，其连续跨度只有 1/4×1/4 格；这使位置读取困难，但不能仅据小于一格断言信息必全丢，通道仍可能记录响应。更细输入或跨层特征带来新的观测机会，是否改善要在指定任务上检查。



保留这份比较，是为学生读到结构名时有判断坐标；本轮主讲不再把它拆为几个平行论文段落。

**出处：**[FCN 原论文，2014/2015版本](https://arxiv.org/abs/1411.4038) · [FPN 原论文](https://arxiv.org/abs/1612.03144) · [U-Net 原论文](https://arxiv.org/abs/1505.04597)
## 继续阅读与实验