CNN網路的經典結構是： 輸入層—>（卷積層+—>池化層？）+—>全連線層+
（其中+表示至少匹配1次，？表示匹配0次或1次）

全卷積神經網路Fully Convolutional Network (FCN)

全卷積神經網路即把CNN網路最後的全連線層替換為卷積層。為什麼這麼做？換句話說這樣會帶來什麼好處呢？

1. 首先，說一下卷積層和全連線層的區別：卷積層為區域性連線；而全連線層則使用影象的全域性資訊。可以想象一下，最大的區域性是不是就等於全域性了？這首先說明全連線層使用卷積層來替代的可行性。

2. 然後，究竟使用卷積層代替全連線層會帶來什麼好處呢？答案：可以讓卷積網路在一張更大的輸入圖片上滑動，得到每個區域的輸出（這樣就突破了輸入尺寸的限制）

   。論文裡Fully Convolutional Networks for Semantic Segmentation介紹的很清楚，解讀如下：
   
   需要說明的是這一特性不僅可用於語義分割，在物體分類、目標檢測中都可以使用。

參考：
How does the conversion of last layers of CNN from fully connected to fully convolutional allow it to process images of different size?
CS231n課程筆記翻譯：卷積神經網路筆記
論文筆記–Fully Convolutional Networks for Semantic Segmentation