我在阅读一篇不错的论文S-DCNet时，发现了一个部分（页面3，表1，分类器），其中在特征图上使用了一个卷积层，以产生一个二分类输出，作为内部过程的一部分。由于我是个新手，每当有人和我谈论分类时，我会自动联想到全连接层（FCs）与softmax的结合，所以我开始思考……这是可能的吗？卷积层真的可以用于二元分类的分类吗？这个概念如此激发我的想象力，以至于我坚持要得到答案……

说实话，这到底是如何工作的？使用卷积滤波器代替全连接层进行分类有什么区别？

编辑（关于它是如何工作的不确定答案）：我问了一位同事，他告诉我，使用与当前阶段特征图长度-宽度形状相同的滤波器，可能会导致可学习的二元输出（考虑到你还将特征图的通道数减少到单一通道）。但我仍然不理解这种技术背后的动机……

回答：

使用卷积作为全连接层是可以做到的（例如）使用空间尺寸为(1,1)的滤波器，并且深度与全连接层的输入尺寸相同。

生成的特征图将与输入特征图的大小相同，但每个像素将是一个“全连接”层的输出，其权重是共享的1×1卷积滤波器的权重。

这种方法主要用于语义分割，意味着每个像素的分类。如果我没记错的话，U-net就是一个很好的例子。

另见这个。
另请注意，1×1卷积还有其他用途。
paperswithcode上的一些网络可能使用了这种技巧。