1、前言
FCN 作为图像分割的开山之作，将分割任务作为逐个像素点的分类任务
之前完成了基于unet、resnet+unet、deeplab等等网络的分割任务，具体的可以参考本专栏：
因为FCN网络的实现较为复杂，当然有很多现成的代码实现FCN分割网络。不过torchvision中其实已经封装好了，这里我们直接利用这个torchvision完成即可
2、具体实现的思路
这里介绍代码实现的逻辑，具体的参考之前文章
2.1 数据处理
首先是对数据的处理，因为要完成的分割是属于有监督学习，并且label是和数据同样size的灰度图像，所以两者间的对应特别重要
有的label标签是全黑的，或者是那种白色区域很明显的，其实都是一样的。
因为图像分割是逐个像素点的分类任务，而你把分类的值设为1（全黑）或者255（白色区域）其实是一样的，只不过加载数据的时候需要处理下
这里还是使用之前博文unet处理的方式，通过便利mask图像，找到灰度值有几类，这样其实就是分割网络的输出有几类。
如下，可以看到总共有5个灰度值，也就代表了这个数据集是五分割的任务，0代表背景，也算作分割之一
需要注意的是，网络的输出是需要呈0 1 2 这种自然数，因为5分割的输出是5个特征图，而特征图的索引就是0 1 2 3 4，含义是每个特征图负责预测某个灰度值。
例如猫、狗、猪，三个分类任务，最后输出的张量必须是3，在3中找出最大概率的那个索引就是对应猫、狗、猪的某一类。
而网络是不知道猫、狗、猪是什么玩意，只知道0 1 2 ，我们人为规定0是猫、2是猪。
这里dataset的实现如下：
2.2 FCN网络的实现
torchvision给了我们两个backbone，resnet50和resnet101，这里我们全部实现。
其中weights参数是是否导入官方的预训练权重
2.3 数据预处理
预处理是黑匣子，对于分割这种任务，知道预处理后的图像是什么样子很有必要，这里也实现一下
其中控制台会输出这样，这样是正常的，可以看到mask的灰度值被映射到了0 1 2 3 4中
需要注意的是，如果出现了255是正常的，因为这里使用了多尺度的随机缩放，255负责填充，在train的时候，代码会自动忽略255的部分
不过有的时候出现255，上面的图像可能会出现异常。
个人猜测，plt会自动将灰度图像调色，这样哪怕mask灰度靠的很近也会很明显的展示。要是出现255的话，调色可能会冲突？
3、对比实验
这里利用FCN对腹部多脏器的五分割进行实验，效果如下：
这里仅仅测试了20个epoch，网络并未收敛
resnet50：
resnet101：
4、代码使用
训练脚本的超参数如下：
- backbone 选择resnet50 or resnet101作为FCN的特征提取网络
- pretrained 是否载入官方预训练权重
- base_size 在这个值的基础上对图像进行随机缩放0.8倍-1.2倍之间
- crop_size 中心裁剪，这个值可以设置为数据的大小
- img_f、mask_f ：用于加载数据，因为有的数据和mask图像的文件名不一致，导致找不到对应的标签。在这里填入相应的后缀即可
- vis 是否保存预处理数据的结果
数据的摆放还是和以前一样
输出的文件：
依次为：权重、mask灰度值信息、loss和iou分别在train和test数据集上的曲线、学习率衰减曲线、训练日志、可视化数据图像
训练控制台打印如下：
