FNC

  FNC主要做的是基於畫素的影象分割預測。其做法是先按照傳統的CNN結構得到feature map，將傳統的全連線層替換成相應的卷積層。如最後一層特徵圖尺寸為5∗5∗512$5\ast 5\ast 512$，對應的全連線層的尺寸為4096，則需要5∗5∗512∗4096$5\ast 5\ast 512\ast 4096$個引數，將該引數變成卷積核，kernel size 為5*5，input channels 為512， output channels 為4096，依此將傳統的帶有卷積層和全連線層的網路變成全連線神經網路。

  FNC的一個好處是它的輸入可以是任意大小的。傳統的CNN結構是在最後一個特徵圖的全連線層是需要固定大小的，比如上面的

5∗5∗512∗4096$5\ast 5\ast 512\ast 4096$這裡就確定了最後的特徵圖尺寸是5∗5∗512$5\ast 5\ast 512$。傳統網路如果想要任意輸入，就需要用一個類似SPP(Spatial Pyramid Pooling)的結構。該結構的大概過程就是通過不同層級（大小）的網格劃分圖片，在每個網格中做Pooling操作，再將每個網格得出來的值疊起來得到一個固定長度的向量，進入我們的全連線層。

  SPP的工作流程圖大概如上，該例圖將圖片分成3層，第一層用4∗4$4\ast 4$的網格劃分，第二層用2∗2$2\ast 2$的網格劃分，第三層把整個圖片分為1塊。則共有16+4+1=21$16+4+1=21$個網格塊，通過對每個網格塊進行Pooling操作可以得到21個輸出可以用於全連線層。我們可以通過增加層級，以及改變每層的網格數得到不一樣的input channels。

U-Net

該網路初始用於醫療影象領域，目的是獲得影象的邊緣。
圖中，藍色代表卷積和啟用函式，灰色代表複製，紅色代表下采樣，綠色代表上取樣。

Autoencoder