在传统的CNN结构中,通常会在卷积层后面加上全连接层:
这是因为卷积层输出的是多维的特征图,我们需要将它们展平为一维的向量,然后输入至全连接层,在输出层进行分类或者回归的工作。
与此不同是,全卷积神经网络,Fully Convolutional Networks,FCN,是一个不含全连接层,由卷积层或池化层构成的神经网络。
从结构上来说,FCN由一系列卷积层和池化层组成,最后是一个转置卷积层。
FCN会通过转置卷积层,将中间层的特征图的大小恢复到原始输入图像的大小,从而使预测结果与输入图像在高和宽上能够一一对应,进而实现像素级别的预测或分类。
FCN的典型应用是语义分割任务。
在语义分割中,我们希望为输入图像中的每个像素,都分配一个类别标签。
例如,这里将输入图像中的每个像素,预测为Person、Bicycle、Background三种标签。
由于FCN具有全卷积的特性和对输入图像任意大小的适应性。
因此可以精确地预测出图像中每个像素的类别,从而在语义分割中表现得很好。
所以总结来说,如果面试官问你“有没有不带全连接层的卷积神经网络”,你应该回答“FCN全卷积神经网络”。
页面更新:2024-04-28
本站资料均由网友自行发布提供,仅用于学习交流。如有版权问题,请与我联系,QQ:4156828
© CopyRight 2008-2024 All Rights Reserved. Powered By bs178.com 闽ICP备11008920号-3
闽公网安备35020302034844号