شبکه کاملاً کانولوشنال (FCN)
شبکه کاملاً کانولوشنال (FCN)، که توسط لانگ، شلهامر و درل در CVPR 2015 معرفی شد، اولین معماری یادگیری عمیق سرتاسری بود که برای تولید نقشههای سگمنتیشن معنایی متراکم پیکسل به پیکسل از تصاویر با ابعاد دلخواه آموزش داده شد. با جایگزینی لایههای کاملاً متصل یک CNN طبقهبندیکننده با لایههای کانولوشنال و افزودن افزایش نمونهبرداری آموختهشده از طریق کانولوشنهای ترانهاده و اتصالات پرشی (skip connections)، FCN امکان پیشبینی مستقیم برچسب کلاس را برای هر پیکسل در تصویر فراهم کرد و الگویی برای تمام معماریهای سگمنتیشن بعدی از جمله U-Net و DeepLab ایجاد نمود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Fully Convolutional Network for Semantic Segmentation. ScholarGate. https://scholargate.app/fa/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 (شبکه باقیمانده)یادگیری عمیق↔ compare
- یونِتیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →