我們先了解什麼是卷積神經網路：

傳統的神經網路分為三層：輸入層、隱藏層、輸出層

而卷積神經網路分為：輸入層、卷積層、激勵層、池化層、全連線層

全卷積神經網路（FCN）與卷積神經網路（CNN）的區別在把於CNN最後的全連線層換成卷積層，輸出的是一張已經Label好的圖片。

詳細一點地來說就是FCN對影象進行的是畫素級的一個分類

與CNN在卷積層之後使用全連線層得到固定長度的特徵向量進行分類（全聯接層＋softmax輸出）不同

FCN是可以接收任意大小的輸入影象的，採用反捲積層對最後一個卷積層的特徵圖進行上取樣，就可以讓他恢復到同雨來輸入影象的相同尺寸了

這樣一來就可以對每個畫素都產生一個預測，並且同時還保留了原始影象中的空間資訊，最後在上取樣的特徵圖上進行畫素分類

還有FCN的缺點：

那就是在對各個畫素進行分類的時候，FCN並沒有考慮到畫素之間的一個關聯，這樣分類效果是不夠精細的。