FCN에서의 합성곱 층 확장은 두 가지 주요한 장점을 가집니다.

1. 각 층에서 추출된 특징은 해당 위치의 공간적 정보를 계속 유지합니다. 이는 영역 분할에서 매우 중요한데, 객체의 형태와 위치를 정확하게 파악할 수 있기 때문입니다.

2. 네트워크는 깊어질수록 더 넓은 영역의 정보를 수용할 수 있습니다. 이는 넓은 영역에 걸친 패턴과 컨텍스트를 학습하는 데 도움이 됩니다.

합성곱 층의 이러한 확장은 이미지의 모든 픽셀에 대한 세밀한 이해를 가능하게 하며, 이는 전통적인 합성곱 신경망에서는 달성하기 어려운 성과입니다. FCN의 이러한 구조적 특성은 픽셀 수준에서의 정밀한 예측과 고차원적인 이미지 분석을 가능하게 하며, 이를 통해 풍부하고 상세한 정보를 추출할 수 있습니다.

또한 FCN에서는 업샘플링을 통해 감소된 이미지 해상도를 다시 원본 사이즈로 복원합니다. 업샘플링 방법론은 다음과 같습니다.