为什么使用卷积层替代CNN末尾的全连接层

CNN网络的经典结构是： 输入层—>（卷积层+—>池化层？）+—>全连接层+

（其中+表示至少匹配1次，？表示匹配0次或1次）

全卷积神经网络Fully Convolutional Network (FCN)

全卷积神经网络即把CNN网络最后的全连接层替换为卷积层。为什么这么做？换句话说这样会带来什么好处呢？

首先，说一下卷积层和全连接层的区别：卷积层为局部连接；而全连接层则使用图像的全局信息。可以想象一下，最大的局部是不是就等于全局了？这首先说明全连接层使用卷积层来替代的可行性。

然后，究竟使用卷积层代替全连接层会带来什么好处呢？答案：可以让卷积网络在一张更大的输入图片上滑动，得到每个区域的输出（这样就突破了输入尺寸的限制）。论文里Fully Convolutional Networks for Semantic Segmentation介绍的很清楚，解读如下：



需要说明的是这一特性不仅可用于语义分割，在物体分类、目标检测中都可以使用。

参考：

How does the conversion of last layers of CNN from fully connected to fully convolutional allow it to process images of different size?

CS231n课程笔记翻译：卷积神经网络笔记

论文笔记–Fully Convolutional Networks for Semantic Segmentation