有没有不带全连接层的卷积神经网络？

在传统的CNN结构中，通常会在卷积层后面加上全连接层:

这是因为卷积层输出的是多维的特征图，我们需要将它们展平为一维的向量，然后输入至全连接层，在输出层进行分类或者回归的工作。

与此不同是，全卷积神经网络，Fully Convolutional Networks，FCN，是一个不含全连接层，由卷积层或池化层构成的神经网络。

从结构上来说，FCN由一系列卷积层和池化层组成，最后是一个转置卷积层。

FCN会通过转置卷积层，将中间层的特征图的大小恢复到原始输入图像的大小，从而使预测结果与输入图像在高和宽上能够一一对应，进而实现像素级别的预测或分类。

FCN的典型应用是语义分割任务。

在语义分割中，我们希望为输入图像中的每个像素，都分配一个类别标签。

例如，这里将输入图像中的每个像素，预测为Person、Bicycle、Background三种标签。

由于FCN具有全卷积的特性和对输入图像任意大小的适应性。

因此可以精确地预测出图像中每个像素的类别，从而在语义分割中表现得很好。

所以总结来说，如果面试官问你“有没有不带全连接层的卷积神经网络”，你应该回答“FCN全卷积神经网络”。