在计算机视觉领域出现的问题，例如图像语义分割（semantic segmentation）和超分辨率图像生成（super resolution imaging）要求输入与输出均为格点数据且输入端的特征图大小可变。全卷积构筑就是为解决上述问题而设计的神经网络算法。

今天来看看SRCNN和UNet两个神经网络：

1、SRCNN（Super Resolution CNN）

SRCNN构筑示意图

SRCNN是最早被提出的全卷积构筑之一。

应用范围：应用于超分辨率图像生成。

构筑结构：其构筑分为3部分：特征提取端、非线性映射和特征重构，其中特征提取端将低分辨率输入按插值算法升采样至目标分辨率并使用9x9的卷积核提取特征；非线性映射是一个瓶颈层，进行低分辨率特征和高分辨率特征的线性变换。特征重构端是一个转置卷积，将高分辨率特征重构是目标分辨率并输出结果 。

网络特点：

（1）SRCNN算法的CNN网络结构是根据基于样例学习的方法所构造的，与以往的算法不同，网络中所有参数可以在训练过程中一起得到优化。

（2）该算法是一种端到端的过程，原有的稀疏编码过程是一个迭代过程，而且SRCNN算法基本没有预处理操作（只有一个双三次插值的重建过程），实现图像重建的速度更快。

（3）基于深度学习的方法可以利用现有的图片集（Image Net）进行训练，重建效果更加理想。

2、UNet

UNet构筑示意图

构筑机构：UNet是一个包含4层降采样、4层升采样和类似跳跃连接结构的全卷积网络。

网络特点：其特点是卷积层在降采样和升采样部分完全对称，且降采样端的特征图可以跳过深层采样，被拼接至对应的升采样端。

应用范围：UNet在其提出之初主要被用于医学影像的语义分割 ，并在之后的应用研究中被扩展至3维视频数据的语义分割和超分辨率图像生成 。

综合使用：UNet是一个泛用性较好的全卷积网络，也衍生出了一些面向特定问题的改进版本，例如在降采样端引入残差块构筑的HDense-UNet、包含深监督设计和模型剪枝的UNet++等 。