Fully Convolutional Network (FCN)
Das Fully Convolutional Network (FCN), eingeführt von Long, Shelhamer und Darrell auf der CVPR 2015, war die erste End-to-End-Deep-Learning-Architektur, die trainiert wurde, um dichte pixelweise semantische Segmentierungskarten aus Bildern beliebiger Größe zu erzeugen. Durch den Ersatz der vollständig verbundenen Schichten eines Klassifizierungs-CNN durch konvolutionelle Schichten und das Hinzufügen von gelernten Upsamplings durch transponierte Konvolutionen und Skip-Connections ermöglichte FCN die direkte Vorhersage einer Klassenbezeichnung für jedes Pixel in einem Bild und legte damit die Grundlage für alle nachfolgenden Segmentierungsarchitekturen, einschließlich U-Net und DeepLab.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully Convolutional Networks for Semantic Segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. DOI: 10.1109/CVPR.2015.7298965 ↗
- Shelhamer, E., Long, J., & Darrell, T. (2017). Fully Convolutional Networks for Semantic Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4), 640–651. DOI: 10.1109/TPAMI.2016.2572683 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9). MIT Press. ISBN: 978-0-262-03561-3
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Fully Convolutional Network for Semantic Segmentation. ScholarGate. https://scholargate.app/de/deep-learning/fully-convolutional-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ResNet (Residual Network)Deep Learning↔ compare
- U-NetDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →