我想训练一个卷积网络来执行以下操作：
训练后，我想向网络提供汽车图片，并且我希望预测（至少是理想的预测）是具有黑色或白色像素的图片，其中白色对应于对象，黑色对应于背景。
我假设输入层是一个二维卷积层，输出层也是一个二维卷积层，每个卷积层的神经元数量与图片中的像素一样多。
谁能解释一下什么样的网络架构可以做到这一点？
它可以是架构（理论上）或以代码实现。
我希望对其进行调整，但最好不要从头开始。
我很惊讶没有人提到用于语义分割的完全卷积神经网络 (FCN)。
它们的灵感来自于以一两个密集连接层和 softmax 分类器结尾的原始 AlexNet 风格的卷积网络。但是 FCN 省去了密集层，并一直保持完全卷积。
这是基本原理。以 AlexNet、VGG 或类似的东西为例。但不是使用分类器中的参数来计算每个类别的标量，而是使用它们来使用 1x1xNUM_CATEGORIES卷积计算整个数组（即图像）。输出将是NUM_CATEGORIES特征图，每个表示该类别的粗粒度“热图”。狗的地图，猫的地图。可以通过“跳过连接”包含来自早期层的信息来增强它。
编辑：还有一点好消息：该论文的作者在Caffe 的 Model Zoo中提供了他们的网络的实现。调整！
这是一个典型的图像分割问题。您需要在图像中找到一个连续的斑点，这是您正在寻找的片段。这个问题的一个著名架构是 U-net 架构，这是论文的链接：http: //arxiv.org/abs/1505.04597
该架构被称为 u-net，因为它具有收缩路径（输入矩阵的大小减小）和扩展路径（大小再次放大，以便输出与输入的大小或多或少相似） .
收缩路径最接近典型的卷积网络架构，它重复以下模式：a）卷积层（在本例中使用 3x3 内核），b）卷积层输出上的整流线性单元（RELU），c）一个池化层，其中图像在每个维度上都减半。当你沿着收缩路径前进时，每次输入通过卷积层时特征通道的数量都会增加一倍，但每次通过池化层时尺寸都会减小。
扩展路径或多或少是对称的，上采样层会增加（加倍）输入的大小，然后是典型的卷积层和整流线性单元（RELU）。当您沿着扩展路径前进时，卷积层中的特征通道数量会减少，直到您最终得到与输出图像相对应的单个矩阵（数组）。
我期待在接下来的几天里实现这个架构，我相信我的理解会因此而增加。如果我发现任何其他值得发布的内容，我会继续发布。