Metodin todisteiden tietue

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.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Fully Convolutional Network for Semantic Segmentation

Taksonominen metoditietue · ml-model / deep-learning

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

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Same method familyResNetmachine-suggested · Relational suggestion, not evidence.Same method familyU-Netmachine-suggested · Relational suggestion, not evidence.