5.1 FCN全卷积出像素图
5.1 FCN：全卷积出像素图
本节摘要：全卷积网络把分类骨干末尾的全连接换成卷积，使任意尺寸输入都能得到空间分数图，再用上采样拉回原图。跳跃融合把浅层的定位和深层的语义加在一起，衍生出步长 32、16、8 等变体。它是后面 U-Net、DeepLab 的公共祖先：训练环不变，换的是头与融合。
上手前先明确
阅读完本节，你应当能够：
- 说明为何全连接阻止任意尺寸分割，以及 1×1 卷积如何扮演像素分类器
- 区分双线性上采样与转置卷积，知道棋盘伪影从哪来
- 画出粗特征与细特征相加融合的路径
- 把 FCN 头接到第 4 章训练环，检查输出高宽
一、砍掉摊平这一刀
分类网把特征图摊平，接全连接，得到类向量。摊平把空间位置扔掉，且锁死输入长度。FCN 的核心动作：把那些全连接看成对整图的大卷积——核盖住整个特征图——于是空间还在，输入尺寸可以变。最后一层通道数等于类别数，每个位置一张彩票，与第 4.1 节的像素分类头是同一件事。
上采样把缩小了 32 倍的分数图拉回。只用 32 倍插值，边界糊，这叫粗输出。把中间层（缩小 16 倍、8 倍）的分数加进来，细节回来一些。相加前要用 1×1 卷积把通道拧到类别数，尺寸用插值对齐。这就是跳跃融合，注意 FCN 经典实现是相加不是拼接。U-Net 后来改成拼接，那是下一节。
# 概念：深层分数上采样后与浅层分数相加 coarse = upsample_x32(head32(feat32)) mid = upsample_x16(head16(feat16)) fine = upsample_x8(head8(feat8)) logits = coarse + mid + fine # 需先对齐尺寸
二、上采样怎么选
双线性：无参数、稳、略糊。转置卷积：可学习，步长与核配合不好会出现棋盘格，叠图像砖。实践常「转置卷积后接普通卷积」或「插值后接卷积」压伪影。分割任务对伪影敏感，因为伪影会被 argmax 变成花边类别。验证可视化若出现规则网格，先查上采样而不是学习率。
输入边长最好能被总步长整除。不能整除时，中心裁切或填充，掩码做同样操作。这又回到第 2 章契约：图与掩码同变。
| 变体 | 融合 | 细节 | 代价 |
|---|---|---|---|
| 只 32 倍上采样 | 无 | 糊 | 最轻 |
| 融合 16 | 一层跳跃 | 较好 | 稍重 |
| 融合 8 | 两层跳跃 | 更跟边 | 更重、对齐更烦 |
⚠️ 常见坑：融合时忘了把浅层也过分类头，直接把 256 通道加到 21 通道上，形状都对不上还硬 squeeze。
💡 关键直觉：FCN 证明分类骨干里已经有分割所需的语义，缺的是空间还回去的路。
三、优点、缺点、何时用
优点：任意尺寸、能接各种分类骨干、开创全卷积范式。缺点：默认下采样猛，小目标弱；相加融合对浅层通道处理简单；没有 U-Net 那么强的细节通路。现代很少从零实现纯 FCN 交产品，但读懂它才能读懂后面所有头。小实验上，用轻骨干加 32 倍插值就能验证第 4 章的环，不必一上来复现全部跳跃。
应用上，原文提到通用语义场景。医学小样本更常直接上 U-Net。实例任务 FCN 不够，要第 5.4 节。把 FCN 当「最小能出像素图的深度基线」，与第 3 章 Otsu 比：它该赢在语义可分、灰度不可分的图上。若赢不了，多半是数据而不是缺跳跃。
预训练分类权重加载时，最后的全连接不要了，新的 1×1 头随机初始化，学习率可以更大。骨干小学习率。这和 4.3 节优化器分组是同一旋钮。
图 粗语义加细定位
四、接到环上的检查单
打印每段 feat 的高宽；融合前 assert 对齐；损失吃 logits 不是 softmax 后；可视化 argmax。原文 PyTorch 示例展示如何搭层，你应把它缩成能跑的最小全卷积，而不是复制一整本骨干。能出与输入同尺寸的类别图，本节过关。细节不够，进 U-Net；多尺度物体，进 DeepLab。
五、最小 FCN 实验怎么做
用最浅的下采样两次（总步长 4）加插值回去，在试标图上过拟合。目的不是刷分，是确认：任意输入边长（可整除）都能出同尺寸图；跳跃相加时通道拧得对。然后再换更深骨干和 32 倍步长。一上来复现完整分类网再改全连接，调试周期会很长，对学习路径不友好。
预训练键名对不上时，严格模式应报错。静默跳过会导致你以为在微调，其实头和骨干都在随机走。打印「成功加载了多少层」。分类头的全连接键本来就该丢，这是预期。新的 1×1 键不该出现在旧文件里。
棋盘伪影：叠图出现规则网格，查转置卷积的核与步长是否同奇偶搭配不当。改成「插值加普通卷积」通常立刻消失。不要用更小学习率去「学平」棋盘，那是结构问题。
问题：FCN 现在还值得当生产模型吗？
作为教学基线和快速探针值得。作为产品，U-Net 或 DeepLab 头通常更强。若你的骨干加简单 32 倍插值已经打赢第 3 章基线很多，说明任务偏语义且尺度不大，再加复杂头收益可能有限，用验证曲线决定，不要按年份决定。
融合 8、16、32 时对齐要用「对齐到输入网格」而不是互相凑合少一圈。少一圈在大图上像整体平移，指标掉在边界类。assert 是朋友。把 FCN 接到环上后，与 Otsu 基线并排画一张表，本章才算落地。
六、先浅后深
两次下采样加插值，确认任意可整除边长都能出同尺寸，跳跃通道拧对，再换 32 倍骨干。预训练缺键要报错。棋盘伪影改插值加普通卷积，不要用学习率去磨。融合对齐到输入网格，少一圈像整体平移。与 Otsu 基线并排，打赢灰度不可分、语义可分的图，才算深度基线成立。生产可换 U-Net 或 DeepLab 头，FCN 负责把范式讲清并把环验证完。
浅网先验证任意可整除边长与跳跃通道，再上 32 倍。缺键报错。棋盘改插值加卷积。对齐输入网格。与 Otsu 并排表。生产可换头，范式与环在此验收。少一圈像素的融合在大图上像平移，边界类 mIoU 会先掉，叠图比数字更早暴露。把「融合后高宽等于输入」写成测试，随机张量即可，不必等真实数据。
浅网随机张量测试：输入边长 128 与 160（若被步长整除），输出高宽必须相等对应。跳跃通道拧错应在 cat 或 add 前报错。预训练加载失败要抛，禁止 try 空 except。棋盘检测用可视化网格能量，超阈则改插值路径。融合后高宽等于输入写成测试。与 Otsu 并排表缺行号则本节未完成。少一圈平移用叠图差的质心偏移检测。生产换头不换这些测试。32 倍路径作为可选，浅网测试不过不准上 32 倍。1×1 头类别维断言。输入不能整除时加载器已报错，模型侧不再偷偷 pad。把「范式验收」和「生产选型」分开写在日志标题，避免有人把教学浅网当发布模型。
反例档案：try except 吞掉预训练失败，全程随机还以为在微调。改为抛错后才真正加载。第二份：教学浅网被当发布模型上线，边界糊。日志标题分开范式验收与生产选型。少一圈融合用质心偏移抓住。Otsu 并排表缺行号本节不算完。浅网测试不过不准上 32 倍，省掉许多假对比。
口令卡：浅网双边长测、跳跃前报错、预训练失败抛、棋盘改插值、高宽测试、Otsu 表有行号、质心偏移抓少一圈、标题分范式与生产、不能整除加载器报、1×1 维断言。浅不过不上 32。try except 空吞视为事故。
插模块前：浅网 128 与可整除边长双测、预训练失败必抛、高宽测试、Otsu 行号、质心偏移、标题分家。try 空 except 搜索零命中。浅不过禁 32 倍。生产选型另写，教学浅网不得进发布目录。少一圈用偏移检测比用肉眼稳。1×1 维与类别表长度相等。不能整除只允许加载器报错一种处理。范式验收通过才谈换头。
交付门禁癸
浅网双尺寸测试不过禁止上 32 倍。预训练失败被吞禁止合并。高宽测试不过禁止合并。Otsu 对照表无行号本节未完成。质心偏移超阈说明少一圈。教学浅网出现在发布目录视为事故。try except 空搜索必须零命中。1×1 维必须等于类别数。不能整除不得在模型里悄悄补。范式验收标题与生产选型标题必须分开，混写则日志作废。少一圈用偏移检测写入回归。
现场抽问：浅网双尺寸过了没？失败被抛了没？高宽测过了没？Otsu 行号在吗？质心偏移多大？浅网是不是混进发布目录了？空 except 还有吗？类别维对齐了吗？不能整除谁在 pad？标题分家了吗？少一圈回归有了吗？
失败演练庚：浅网未过就上 32 倍，应拒。预训练失败被 except 吃掉，应拒。教学浅网打进发布目录，应拒。少一圈无偏移回归，应拒。Otsu 表无行号声称超过传统，应拒。模型里悄悄 pad 不能整除的边长，应拒。标题混写范式与生产，日志作废。这些演练是为了把全卷积节从「会讲」变成「可发布」。随机张量高宽仍是第一关，关不过后面都别谈。
发布目录扫描浅网文件名，扫到即失败。偏移回归未注册即失败。行号缺失即失败。空 except 即失败。模型 pad 即失败。标题混写即失败。这些扫描进 CI，全卷积节才算工程化。随机张量关仍是第一关，关不过 CI 红。
CI 扫描发布目录、偏移回归、行号、空 except、模型 pad、标题分家。全绿才允许把全卷积头标为可用模块。随机张量仍是第一关，关不过后面扫描无意义。教学浅网文件名模式列入黑名单。
黑名单文件名、偏移回归、行号、空 except、pad、标题分家，六项扫描进同一 CI 任务。任务红则模块标签保持不可用。第一关随机张量仍排在扫描之前。
模块标签保持不可用，直到 CI 任务全绿。黑名单与第一关都在同一流水线里，不许跳过随机张量直接扫描发布目录。跳过第一关视为流程事故。
FCN 的上采样路径必须接到与输入同高宽的分类头。跨层相加前对齐通道与空间，对不齐就裁或插值并写进尺寸账。用 FCN 跑通「网络也能出掩码」之后，细节不够再换 U-Net，不要第一步就上复杂解码器。
核心回顾
- 全连接换成卷积：任意尺寸、空间还在
- 上采样拉回原图：插值稳，转置卷积小心棋盘
- 跳跃相加：浅定位加深深语义
- 步长要整除：与掩码同垫同裁
- 当深度基线：应能在语义可分数据上超过 Otsu
- 预训练只接到卷积骨干：新头单独大学习率
下一节把相加改成拼接，用对称的编码解码把医学小样本里的细节保回来。