论文地址：https://arxiv.org/abs/1411.4038
运行地址：https://aistudio.baidu.com/aistudio/projectdetail/4207287?contributionType=1
全卷积模型：本项目将CNN模式后面的全连接层换成卷积层，所以整个网络都是卷积层。其最后输出的是一张已经标记好的热图，而不是一个概率值。 通常的CNN网络中，在最后都会有几层全连接网络来融合特征信息，然后再对融合后的特征信息进行softmax分类，如下图所示：
假设最后一层的feature_map的大小是7x7x512，那么全连接层做的事就是用4096个7x7x512的滤波器去卷积这个最后的feature_map。所以可想而知这个参数量是很大的！！
但是全卷积网络就简单多了。FCN的做法是将最后的全连接层替换为4096个1x1x512的卷积核，所以最后得出来的就是一个二维的图像，然后再对这个二维图像进行上采样（反卷积），然后再对最后反卷积的图像的每个像素点进行softmax分类。
我们都知道卷积层后的全连接目的是将
卷积输出的二维特征图（feature map）转化成（$N\times 1$）一维的一个向量因为传统的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。
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
- 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
链接：http://www.cs.toronto.edu/~kriz/cifar.html
CIFAR-10是一个更接近普适物体的彩色图像数据集。CIFAR-10 是由Hinton 的学生Alex Krizhevsky 和Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含10 个类别的RGB彩色图片：飞机(airplane)、汽车(automobile)、鸟类(bird)、猫(cat)、鹿(deer)、狗(dog)、蛙类(frog)、马(horse)、船(ship)和卡车(truck).
每个图片的尺寸为$32\times 32$，每个类别有6000个图像，数据集中一共有50000张训练图片和10000张测试图片。