导读：本项目是基于论文《语义分割全卷积网络的Tensorflow实现》的基础上实现的，该实现主要是基于论文作者给的参考代码。该模型应用于麻省理工学院（http://sceneparsing.csail.mit.edu/）提供的场景识别挑战数据集。

　项目所需的七大条件

• 结果是在12GB TitanX上训练大约6~7小时后获得的。

• 该代码最初是用tensorflow0.11和python2.7编写和测试的。 tf.summary的调用已更新tensorflow 0.12版本。如果要使用旧版本的tensorflow，请使用另一分支tf.0.11_compatible（https://github.com/shekkizh/FCN.tensorflow/tree/tf.0.11_compatible）。

• 在使用tensorflow1.0和windows时会有一些问题。这些问题已经在issue＃9（https://github.com/shekkizh/FCN.tensorflow/issues/9）中讨论过了。

• 训练模型只需执行python FCN.py

• 要可视化一个随机批次的图像的结果，zhi'yao'yo使用标志--mode=visualize

• debug标志可以在训练期间设置，以添加关于激活函数，梯度，变量等的信息。

• 这个IPython笔记本（https://github.com/shekkizh/FCN.tensorflow/blob/master/logs/images/Image_Cmaped.ipynb）可以用于查看彩色结果，如下方图片所示。

　　实验结果：时间更短 效率更高

　　通过批次大小为2，缩放大小为256*256的图片训练模型得到以下结果。请注意，虽然训练图片是256*256，dan没有任何东西可以防止模型在任意大小的图像上工作。预测图像没有进行后处理。通过9轮训练 - 训练时间较短，这解释了为什么某些概念似乎在模型中能被语义理解，而另一些概念似乎没有。下面的结果来自验证数据集的随机图像。

　　网络设计和原论文在caffe中设置的几乎一样。添加的新层的权重用小值进行初始化，并使用Adam 优化器（学习率= 1e-4）进行学习。

　　数据观察

• 小批量是必要的，以适应内存大小，但这导致训练过程慢

• 有很多例子的概念似乎被正确识别和feng- 在上面的例子中可以看到，汽车和人被识别得更好。我相信这可以通过训练更长的时间来解决。

• 此外，图像大小调整会导致信息丢失 - 可以注意到，实际上较小的对象被分割的准确率较低。

　　对于梯度：

1. 如果仔细观察梯度，你会注意到初始训练几乎完全集中在添加的新层次上 - 只有在这些层被合理训练之后，我们才能看到VGG层获得一些梯度流。这是可以理解的，因为新层次在开始时更多地影响损失目标。

2. 使用VGG权重初始化网络的前几层，因此在概念上讲这些层需要较少的调整，除非训练数据是非常多样的- 在这种情况下不是。

3. 卷积模型的第一层捕获低级别的信息，并且由于这些信息依赖于数据集，你会注意到梯度tong'g调整第一层权重以使模型适应数据集。

4. 来自VGG的其他卷积层具有非常小的梯度流动，因为这里捕获的概念对于我们的最终目标 - 分割是足够好的。

5. 这是转移学习运作良好的核心原因。我只是想到在这里指出一下。

　　论文地址：https://arxiv.org/pdf/1605.06211v1.pdf

　　论文视频地址：http://techtalks.tv/talks/fully-convolutional-networks-for-semantic-segmentation/61606/

　　GitHub资源：https://github.com/shekkizh/FCN.tensorflow