Fully Convolutional Network (FCN)
The Fully Convolutional Network (FCN), introduced by Long, Shelhamer, and Darrell at CVPR 2015, was the first end-to-end deep learning architecture trained to produce dense pixel-wise semantic segmentation maps from images of arbitrary size. By replacing the fully connected layers of a classification CNN with convolutional layers and adding learned upsampling through transposed convolutions and skip connections, FCN enabled the direct prediction of a class label for every pixel in an image, establishing the template for all subsequent segmentation architectures including U-Net and DeepLab.
سوابق منبع
استنادات عیناً از سوابق منبع روش کپی شدهاند. هیچ تأیید در سطح ادعا از آنها استنباط نمیشود.
- 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
ادعاهای گزینششده
ادعاها در دفتر ثبت شواهد ذخیره شدهاند، هر کدام با ارزیابی خاص خود.
این نما در صورت عدم وجود ارزیابی ادعا در دفتر ثبت، ادعایی ابداع نمیکند.
روشهای مرتبط
از گراف روش تولید شده و به عنوان روابط پیشنهادی ماشین نمایش داده میشود — هیچ ادعای مدرکی استنباط نمیشود.