對全連線層的深入理解
理解全連線層
連線層實際就是卷積核大小為上層特徵大小的卷積運算，卷積後的結果為一個節點，就對應全連線層的一個點。（理解）假設最後一個卷積層的輸出為7×7×512，連線此卷積層的全連線層為1×1×4096。
如果將這個全連線層轉化為卷積層：
1.共有4096組濾波器
2.每組濾波器含有512個卷積核
3.每個卷積核的大小為7×7
4.則輸出為1×1×4096
由於每個濾波核的大小和上一層的feature map大小一樣，保證了轉換後的卷積層的運算結果和全連線層是一樣的
若後面再連線一個1×1×4096全連線層。則其對應的轉換後的卷積層的引數為：1.共有4096組濾波器
2.每組濾波器含有4096個卷積核
3.每個卷積核的大小為1×1
4.則輸出為1×1×4096
-----------------------------------------------------------------------------------------------------------------------
而全連線層的壞處就在於其會破壞影象的空間結構，因此人們便開始用卷積層來“代替”全連線層，通常採用1×1的卷積核，這種不包含全連線的CNN成為全卷積神經網路（FCN），FCN最初是用於影象分割任務，之後開始在計算機視覺領域的各種問題上得到應用，事實上，Faster R-CNN中用來生成候選視窗的CNN就是一個FCN。FCN的特點就在於輸入和輸出都是二維的影象，並且輸入和輸出具有相對應的空間結構，在這種情況下，我們可以將FCN的輸出看作是一張熱度圖，用熱度來指示待檢測的目標的位置和覆蓋的區域。在目標所處的區域內顯示較高的熱度，而在背景區域顯示較低的熱度，這也可以看成是對影象上的每一個畫素點都進行了分類，這個點是否位於待檢測的目標上。
-----------------------------------------------------------------------------------------------------------------------
-----------------------------------------------------------------------------------------------------------------------
