Fully Convolutional Network (FCN)
Fully Convolutional Network for Semantic Segmentation · Ayrıca şöyle bilinir: FCN, fully convolutional network, FCN-32s, FCN-16s, FCN-8s, dense prediction network
Long, Shelhamer ve Darrell tarafından CVPR 2015'te tanıtılan Fully Convolutional Network (FCN), herhangi bir boyuttaki görüntülerden yoğun, piksel bazında anlamsal segmentasyon haritaları üretebilen ilk uçtan uca derin öğrenme mimarisiydi. Sınıflandırma yapan bir CNN'in tam bağlı katmanlarını evrişimli katmanlarla değiştirerek ve aktarılmış evrişimler (transposed convolutions) ile atlama bağlantıları (skip connections) aracılığıyla öğrenilmiş yukarı örnekleme (upsampling) ekleyerek FCN, bir görüntüdeki her piksel için doğrudan bir sınıf etiketi tahminini mümkün kıldı ve U-Net ve DeepLab dahil olmak üzere sonraki tüm segmentasyon mimarileri için şablonu oluşturdu.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
FCN, yol sahnesi ayrıştırma (road-scene parsing), biyomedikal doku segmentasyonu, uydu arazi örtüsü haritalama veya endüstriyel denetim gibi yoğun, piksel düzeyinde sınıf tahmininin gerekli olduğu her durumda uygulanabilir. Etiketlenmiş piksel bazında bir ek açıklama veri kümesinin mevcut olduğu (veya zayıf denetimle bir sınıflandırma veri kümesinden önyükleme yapılabildiği), problemin her piksele karşılıklı olarak dışlanan bir C sınıfından birini atama olarak formüle edilebildiği ve eğitim için yeterli belleğe sahip bir GPU'nun mevcut olduğu durumlarda uygundur. FCN, her pikselin etiketinin yerel uzamsal bağlamına bağlı olduğunu ve bu ilişkinin evrişimli bir hiyerarşi tarafından modellenebileceğini varsayar. Çok ölçekli döşeme stratejileri veya bellek açısından verimli varyantların gerektiği çok yüksek çözünürlüklü görüntüler veya örnek düzeyinde segmentasyon (örnek düzeyinde segmentasyon için Mask R-CNN ve ardıllarının tercih edildiği durumlar) için daha az uygundur.
Güçlü yönler & sınırlılıklar
- Piksel bazında anlamsal segmentasyon için bir derin ağı uçtan uca eğiten ilk mimari, el yapımı son işleme işlem hatlarını ortadan kaldırır.
- Tam bağlı bir katmanın giriş boyutunu kısıtlamaması nedeniyle çıkarım zamanında keyfi giriş uzamsal boyutlarını kabul eder.
- ImageNet ile önceden eğitilmiş sınıflandırıcılardan transfer öğrenme, segmentasyon için gereken etiketli veri miktarını büyük ölçüde azaltır.
- Birden çok havuzlama ölçeğindeki atlama bağlantıları, aşağı örnekleme sırasında kaybedilen uzamsal ayrıntıları kurtararak sınır doğruluğunu iyileştirir.
- FCN tasarım ilkesi (tam evrişimli + yukarı örnekleme + atlama bağlantıları), U-Net, SegNet, DeepLab ve çoğu modern segmentasyon ağının doğrudan mimari şablonudur.
- Katman başına sabit alıcı alan, modelin alıcı alana göre çok büyük veya adıma (stride) göre çok küçük olan nesnelerle mücadele edebileceği anlamına gelir.
- Aktarılmış evrişimli yukarı örnekleme, dikkatli bir şekilde başlatılmazsa veya düzenlenmezse tahmin edilen haritalarda dama tahtası desenleri (checkerboard artefacts) oluşturabilir.
- Atlama bağlantısı birleştirmesi (birleştirme yerine toplama), tamamlayıcı kanal bilgilerini atar; sonraki mimariler (U-Net) daha zengin birleştirme için birleştirme kullanır.
- FCN-32s/16s/8s varyantları sıralı eğitim aşamaları gerektirir; tüm atlama seviyelerinin ortak uçtan uca eğitimi dikkatli öğrenme oranı çizelgelemesi gerektirir.
- Standart evrişimler ve havuzlama uzun menzilli bağımlılıkları modellemediği için küresel bağlam sınırlıdır (ileriki çalışmalarda seyreltik evrişimler ve dikkat mekanizmaları ile ele alınmıştır).
SSS
FCN-32s, FCN-16s ve FCN-8s arasındaki fark nedir?
Her üç varyant da aynı evrişimli omurgayı paylaşır. FCN-32s, adım 32'lik derin özellik haritasını tek bir adımda doğrudan görüntü çözünürlüğüne geri yukarı örnekler ve kaba tahminler verir. FCN-16s önce 2× yukarı örnekler ve adım 16'lık (pool4) özellik haritasını ekler, ardından son bir 16× yukarı örnekleme yapar ve bazı uzamsal ayrıntıları kurtarır. FCN-8s, en ince çözünürlük için adım 8'lik (pool3) özellik haritasını da ekler. Her adım, ek bir eğitim aşaması pahasına sınır keskinliğini iyileştirir.
FCN, U-Net'ten nasıl farklıdır?
FCN'den kısa bir süre sonra Ronneberger vd. (2015) tarafından tanıtılan U-Net, aynı kodlayıcı-kod çözücü prensibini benimser ancak atlama bağlantılarını birleştirmek için toplama yerine birleştirme (concatenation) kullanır, bu da genişleyen yolda daha fazla kanal bilgisini korur. U-Net ayrıca simetrik, ayna benzeri bir kod çözücü mimarisi kullanır ve özellikle eğitim verilerinin kıt olduğu biyomedikal görüntüler için tasarlanmıştır. FCN mimari öncülüdür; U-Net tıbbi görüntülemede baskın varyanttır.
Anlamsal segmentasyon için hangi değerlendirme metriğini kullanmalıyım?
Tüm sınıflar üzerinden ortalaması alınan Ortalama Kesişim-Üzeri-Birleşme (mIoU), anlamsal segmentasyon kıyaslamalarında (Pascal VOC, Cityscapes, ADE20K) standart metriktir. Piksel doğruluğu ikincil bir metriktir ancak sınıflar dengesiz olduğunda yanıltıcıdır çünkü model yalnızca baskın arka plan sınıfını tahmin ederek yüksek doğruluk elde edebilir.
FCN eğitmek için büyük bir etiketli veri kümesine ihtiyacım var mı?
Sıfırdan eğitim genellikle on binlerce piksel etiketli görüntü gerektirir. Pratikte, standart yaklaşım, evrişimli omurgayı ImageNet ile önceden eğitilmiş bir sınıflandırıcıdan (örneğin, VGG-16) başlatmak ve hedef segmentasyon veri kümesinde ince ayar yapmaktır. Bu transfer öğrenme stratejisi, FCN'yi birkaç yüz ila birkaç bin etiketli görüntüye sahip veri kümelerinde uygulanabilir hale getirir, ancak daha fazla veri tutarlı bir şekilde yardımcı olur.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fully Convolutional Network for Semantic Segmentation. ScholarGate. https://scholargate.app/tr/deep-learning/fully-convolutional-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Artık Ağ (ResNet)Derin öğrenme↔ karşılaştır
- U-NetDerin öğrenme↔ karşılaştır