FCN(全卷积神经网络)详解

已于 2023-04-04 21:34:50 修改
阅读量4.3k 收藏 17
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 机器视觉 深度学习 文章标签： cnn 深度学习 计算机视觉
于 2023-04-04 11:58:24 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36758270/article/details/129947041
FCN是深度学习在语义分割的开创性工作，它将CNN的全连接层替换为卷积层，适应任意尺寸输入。通过反卷积层恢复图像尺寸，采用跳级结构保证精度。FCN包含FCN-32s、FCN-16s和FCN-8s，其中FCN-8s效果最佳，通常所说的FCN指FCN-8s。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.综述

FCN(全卷积神经网络)图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。FCN将传统CNN后面的全连接层换成了卷积层，这样网络的输出将是热力图而非类别；同时，为解决卷积和池化导致图像尺寸的变小，使用上采样方式对图像尺寸进行恢复。FCN网络的特点：

  • 不含全连接层的全卷积网络，可适应任意尺寸输入；
  • 反卷积层增大图像尺寸，输出精细结果；
  • 跳级结构，确保鲁棒性和精确性。

2.传统分类网络

以VGG16_bn (vgg16为VGG16_bn版本，去除所有Batch_normalization的模型) 为例，介绍传统图像分类网络。图中输入数据大小为（224 X 224 X 3）。
VGG分类网络
在传统VGG16分类网络中，在经过提取特征操作后加入三个全连接层进行分类（图中只画出了前面两个 ，最后一个根据不同的类别设置不同的全连接）。
注意：原始分类网络中输入大小固定是由于全连接网络导致的，而卷积操作可以实现全连接相同的功能，且可以保证输入大小为任意值。

3.FCN模型

FCN模型包括FCN-32s、FCN-16s和FCN-8s。其中FCN-8s效果最好，且当前所说的FCN一般均指FCN-8s。

<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
全卷积网络 FCN 详解
南淮北安的博客
10-19 1452
CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑，于是无穷无尽的人往坑里面跳。 文章目录一、CNN 与 FCN二、全连接层换成成卷积层三、unspampling四、缺...
FCN 全卷积网络
it_lxg123的博客
06-13 8684
全卷积网络 Fully Convolutional NetworksCNN ​ 通常CNN网络在卷积层之后会接上若干个全连接层，将卷积层产生的特征图（feature map）映射成一个固定长度的特征向量。​ FCN 对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题，与经典的CNN 在卷积层之后使用全连接层得到固定长度的特征向量，...
手把手带你从论文出发实战搭建分割FCN网络
最新发布
weixin_40345267的博客
06-18 44
FCN即全卷积网络（Fully Convolutional Networks），由Jonathan Long、Evan Shelhamer和Trevor Darrell于2015年在CVPR会议上发表的论文《Fully Convolutional Networks for Semantic Segmentation》中首次提出，是深度学习首次真正意义上用于语义分割任务的端到端方法。FCN的提出具有里程碑意义，奠定了现代语义分割网络架构的基础。
FCN(全卷积神经网络)
m0_56312629的博客
03-22 1万+
本文介绍了全卷积神经网络(Fully Convolutional Networks，FCN)，FCN是将深度学习用于语义分割领域的开山之作，本文主要介绍了FCN的核心思想和结构。
全卷积神经网络FCN
牧野的博客
07-19 2万+
卷积神经网络CNN（YannLecun，1998年）通过构建多层的卷积层自动提取图像上的特征，一般来说，排在前边较浅的卷积层采用较小的感知域，可以学习到图像的一些局部的特征（如纹理特征），排在后边较深的卷积层采用较大的感知域，可以学习到更加抽象的特征（如物体大小，位置和方向信息等）。CNN在图像分类和图像检测领域取得了广泛应用。   CNN提取的抽象特征对图像分类、图像中包含哪些类别的物体，以及图...
全卷积网络（FCN）与图像分割
05-14 16万+
与传统用CNN进行图像分割的方法相比，FCN有两大明显的优点：一是可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。二是更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。
FCN全卷积神经网络
m0_46409054的博客
11-01 3805
FCN-深度学习图像分割经典网络解析1
FCN（全卷积神经网络）详解
晓野豬
09-27 9万+
文章目录简介核心思想网络结构上采样 Upsampling跳级结构CNN与FCN的区别与联系网络训练过程存在问题【参考】 简介 全卷积网络（Fully Convolutional Networks，FCN）是Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。FCN将传统CNN后面的全连接层换成了卷积层，这样网络的输出将是热力图而非类
FCN详解
stu_shanghui的博客
06-12 6841
FCN(fully convolution net) FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全连接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像（为什么？因为全连接层的输入要求是个定值，这样层层向前推进，输入也就是固定的了），采用反卷积层对...
全卷积神经网络(FCN)
春有百花秋有月，夏有凉风冬有雪！
04-30 1816
回顾上期我们一起学习了，关于传统的目标检测算法的大致思路，通常是利用滑动窗口进行选取目标候选框，然后利用一些算法进行特征提取，最后再扔到分类器中去检测分类，这样效率上来说是比较低的。前奏...
FCN的理解
qq_37274615的博客
06-14 1万+
直观展现网络结构：http://ethereon.github.io/netscope/#/editor 卷积与逆卷积的动图https://github.com/vdumoulin/conv_arithmetic 【原文图】“Fully convolutional networks for semantic segmentation.”  上图中，32x即为扩大32倍
全卷积网络FCN详解
tt丫的博客
02-21 1万+
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 一、FCN提出原因 为了解决图像分割这种像素级别的问题。 图像分类是图像级别的，一般使用CNN为基础框架进行分类，但是CNN难以应用于图像分割 原因： （1）CNN在进行卷积和池化过程中丢失了图像细节，即feature map size渐渐减小，因此不能很好指出物体的具体轮廓，指出每个像素具体属于哪个物体，从而无法做到精确的分割。 （2）一般CNN分类网络都会在最后加入一些全连接层，经过s
R-FCN详解
qq_28241239的博客
09-13 885
论文题目：R-FCN: Object Detection via Region-based Fully Convolutional Networks 论文链接：论文链接论文代码：Caffe版本链接地址；Python版本链接地址...
一文让你彻底了解卷积神经网络
热门推荐
比比的博客
08-03 21万+
卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。 对比：卷积神经网络、全连接神经网络 左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层 右图：卷积神经...
FCN属于卷积神经网络吗
08-10
回答: 是的，FCN（Fully Convolutional Network）属于卷积神经网络。FCN是一种用于语义分割的网络，它是将普通的分类卷积神经网络改造成能够进行语义分割的网络。FCN通过修改分类器，使得网络能够进行密集预测，同时融合不同层次的特征图信息来获取更准确的分割结果。因此，FCN是通过卷积操作来提取图像的特征，并进行像素级别的语义分割的网络模型。123 #### 引用[.reference_title] - *1* [语义分割入门系列之 FCN（全卷积神经网络）](https://blog.csdn.net/wildridder/article/details/103859277)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item] - *2* [FCN全卷积神经网络](https://blog.csdn.net/m0_46409054/article/details/127630997)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item] - *3* [图像分割-FCN全卷积神经网络（完整代码详解）](https://blog.csdn.net/m0_63077499/article/details/127375650)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sjx_alo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值