卷积神经网络主要由卷积层、池化层和全连接层组成。排在前面的较浅的卷积层采用较小的感知域，可以学到图像的一些局部特征（如纹理特征），排在后面较深的卷积层采用较大的感知域，可以学到更加抽象的特征（如物体的大小、位置和方向等）。
全卷积神经网络（FCN）和卷积神经网络（CNN）的主要区别在于FCN将CNN末尾的全连接层转化成了卷积层。
根据全连接的目的，我们完全可以利用卷积层代替全连接层，在输入端使用M×M大小的卷积核将数据“扁平化处理”，在使用1×1卷积核对数据进行降维操作，最终卷积核的通道数即是我们预测数据的维度。
这样在输入端不将数据进行扁平化处理，还可以使得图片保留其空间信息。
全卷积层能够兼容不同大小的尺寸输入。
与global avg pooling类似，可以大大减少网络参数量
假如现在我们有一个对cifar10数据集训练好的模型（五层卷积、每层卷积后接一层池化，后接两层全连接）
我们知道，cifar10数据集中输入图像32×32×3经过5层（2×2）池化之后，变为长和宽变为1×1。
在测试阶段，现在我们有一组图像，若输入大小也是32×32×3，则可以直接用上述训练好的模型进行测试。（卷积层输入到全连接层是等价的）。
若我们输入的图像Q的长宽不是（32×32）而比32大，那么它卷积网络输出就是一个feature map，即不是一个向量，若原来是1×1×64，现在是2×2×64。那输入到全连接后就是一个四维向量了。4×4×1000，每一个channel代表一个类别。每一个通道都是4×4，我对每一个通道进行全局平均池化，每一个通道求和，这样4×4就变成了一个数。将图像水平翻转一下，再训练一遍。
卷积神经网络主要由卷积层、池化层和全连接层组成。排在前面的较浅的卷积层采用较小的感知域，可以学到图像的一些局部特征（如纹理特征），排在后面较深的卷积层采用较大的感知域，可以学到更加抽象的特征（如物体的大小、位置和方向等）。全卷积神经网络（FCN）和卷积神经网络（CNN）的主要区别在于FCN将CNN末尾的全连接层转化成了卷积层。例如，经过卷积、池化后，图像的大小变为4（长）×4（宽）×512（通道数）。CNN将图像送入全连接层，而FCN将图像送入1×1的卷积层。
患有缺血性卒中的患者最可能从最早的明确诊断中获益。尽管在磁共振图像（MRI）上定量评估卒中病变在临床诊断中是有效的，但通常使用手动分割卒中病变，但这是一项繁琐且耗时的任务。 因此，近来如何以
全
自动的方式分割中风病灶已引起广泛关注。 考虑到临床获得的MRI通常具有较厚的切片，我们提出了一种基于2D切片的分割方法。 特别是，我们使用多光谱MRI，即扩散加权图像，表观扩散系数和T2加权图像作为输入，并提出了残差结构的完
全
卷积网络（Res-
FCN
）。 拟议的Res-
FCN
在具有212个临床获得的MRI的大型数据集上进行训练和评估，其平均骰子系数为0.645，每位受试者的假阴性病变平均数为1.515。 拟议的Res-
FCN
在公共数据集ISLES2015-SISS上进行了进一步评估，在所有基于2D切片的分割方法中均显示出非常有竞争力的结果。
CNN
做图像分类甚至做目标检测的效果已经被证明并广泛应用，图像语义分割本质上也可以认为是稠密的目标识别（需要预测每个像素点的类别）。
传统的基于
CNN
的语义分割方法是：将像素周围一个小区域（如25*25）作为
CNN
输入，做训练和预测。这样做有3个问题：
- 像素区域的大小如何确定 ；
- 存储及计算量非常大 ；
- 像素区域的大小限制了感受野的大小，从而只能提...
文章目录1.
全
连接
神经网络
2.
卷积神经网络
2.1走五子棋的例子2.2卷积核2.3通道2.4池化2.5
全
连接层
1.
全
连接
神经网络
全
连接
神经网络
中，对n-1层和n层而言，n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权，这个激活函数是非线性的。它的缺点就是权重太多了，计算量很大。
它可作用于大多数场景
2.
卷积神经网络
2.1走五子棋的例子
2.2卷积核
卷积核：负责检测对应的一个特征。
卷积核的大小也影响网络的架构，早期习惯
基于区域的
全
卷积网络(R-
FCN
)的区域生成网络(RPN)沿用了更快速区域
卷积神经网络
(Faster R-
CNN
)的RPN。针对RPN先验框的大小与数量均需人为固定,生成的建议区域过多等问题,将聚类思想应用到RPN中,改进先验框的生成方式,提出了基于聚类式区域生成的
全
卷积目标检测网络。通过对训练样本的真实框进行K-Means聚类得到先验框的最适大小和最佳数量,取代原本人为固定选取先验框的方式。此外,为增强模型的泛化能力,在改进后的R-
FCN
上使用ResNet基础网络,采用困难样本挖掘方法进行训练。实验结果表明,相较于R-
FCN
等方法,该聚类区域
全
卷积目标检测网络得到的检测结果在精度和速度上都得
针对现有方法在大量肺部数据中存在的检测肺结节效率不高及大量假阳性的问题，提出了一种基于端到端的二维
全
卷积对象定位网络(2D
FCN
)与三维立体式目标分类
卷积神经网络
(3D
CNN
)相结合的肺结节检测方法。首先采用2D
全
卷积神经网络
对所有CT图像进行初步检测，快速识别和定位CT图像中的疑似结节区域，输出一张与原图尺寸相同且被标记好的图像。然后计算疑似结节区域的坐标，根据坐标值提取疑似结节的三维立体图像块训练构建的3D
卷积神经网络
框架。最后利用训练的3D模型对候选结节做二分类处理以去除假阳性。在LIDC-IDRI数据集上，结节初步检测召回率在平均每位患者为36.2个假阳性时可达98.2%;在假阳性去除之后，假阳性为1和4时分别达到了87.3%和97.0%的准确率。LIDC-IDRI数据库上的实验结果表明，所提方法对三维CT图像的肺结节检测具有更高的适用性，取得了较高的召回率和准确率，优于目前相关文献报道的方法。该框架易于扩展到其他3D医疗图像的目标检测任务中，对辅助医师诊治具有重要的应用价值。
卷积神经网络
CNN
（YannLecun，1998年）通过构建多层的卷积层自动提取图像上的特征，一般来说，排在前边较浅的卷积层采用较小的感知域，可以学习到图像的一些局部的特征（如纹理特征），排在后边较深的卷积层采用较大的感知域，可以学习到更加抽象的特征（如物体大小，位置和方向信息等）。
CNN
在图像分类和图像检测领域取得了广泛应用。
CNN
提取的抽象特征对图像分类、图像中包含哪些类别的物体，以及图...
CNN
网络中的后三层，都是一维的向量，计算方式不再采用卷积，所以丢失了二维信息
FCN
网络中，将这三层
全
部转化为 1*1 的卷积核所对应等同向量长度的多通道卷积层，使后三层也
全
部采用卷积计算，整个模型中，
全
部都是卷积层，没有向量，所以称为 “
全
卷积”。
卷积神经网络
也是通过一层一层的节点组织起来的。和
全
连接
神经网络
一样，
卷积神经网络
中的每一个节点就是一个神经元。在
全
连接
神经网络
中，每相邻两层之间的节点都有边相连，于是会将每一层的
全
连接层中的节点组织成一列，这样方便显示连接结构。而对于
卷积神经网络
，相邻两层之间只有部分节点相连，为了展示每一层神经元的维度，一般会将每一层卷积层的节点组织成一个三维矩阵。
除了结构相似...
卷积神经网络
（
CNN
）和
全
连接
神经网络
（
FCN
）都是
深度学习
中常用的
神经网络
架构，但是
CNN
在图像处理任务中表现更加优秀，逐渐取代了
FCN
的地位。原因如下：
1. 参数量少：
CNN
中的卷积层和池化层可以共享权重，大大减少了参数的数量，使其更加高效。
2. 局部连接：
CNN
中的卷积层只连接局部区域的神经元，而
FCN
中的每个神经元都连接着所有输入，这种局部连接方式可以提取图像局部特征。
3. 参数共享：由于卷积层中的所有神经元都使用相同的权重，所以
CNN
可以学习到图像的局部特征，而不是学习到每个像素点之间的关系。
4. 对平移不变性更加敏感：
CNN
中的卷积层可以识别图像中的平移不变性，这意味着它们可以对图像进行平移、旋转和缩放等操作，并且在不同的位置表现相同，这使得
CNN
在图像分类和目标检测任务中表现更好。
因此，
CNN
在图像处理任务中表现更加优秀，逐渐取代了
FCN
的地位。
RuntimeError: The size of tensor a (22) must match the size of tensor b (32) at non-singleton dimens
18771
RuntimeError:Given input size:(256x1x1). Calculated output size: (256x0x0).Output size is too small
18224
