LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

Fully Convolutional Networks for Semantic Segmentation全卷积语义分割

#near-cvpr-2025#segmentation#representation-learning#primary-source

FCN：端到端语义分割

一句话结论

FCN 把分类网络改写为任意尺寸输入的密集预测器，并用学习上采样与跨层融合建立端到端语义分割基线。

问题定义

怎样复用分类网络的强语义表示，同时为图像中的每个位置输出类别，而不对重叠 patch 重复计算？

方法概述

全连接层卷积化产生 score map，转置卷积恢复分辨率，FCN-16s/8s 融合浅层空间细节。

关键发现

  • 分类预训练可迁移到密集预测。
  • 逐层下采样提升语义抽象，也损失边界细节。
  • skip fusion 是连接粗语义与细空间信息的基础做法。

局限或疑问

  • 语义分割不区分同类实例。
  • 简单上采样难恢复精确边界。
  • mean IoU 不能覆盖实例、边界与长尾表现。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-fcn",
  "type": "source",
  "title": "Fully Convolutional Networks for Semantic Segmentation：全卷积语义分割",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "CVPR 2015",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "segmentation",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Jonathan Long",
    "Evan Shelhamer",
    "Trevor Darrell"
  ],
  "published_at": "2015-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1411.4038",
    "https://openaccess.thecvf.com/content_cvpr_2015/html/Long_Fully_Convolutional_Networks_2015_CVPR_paper.html",
    "https://arxiv.org/pdf/1411.4038",
    "https://github.com/shelhamer/fcn.berkeleyvision.org"
  ],
  "raw_entry": "raw/ingest/2026-07-14-fcn/",
  "analysis_note": "raw/ingest/2026-07-14-fcn/analysis.md",
  "topics": [
    "topics/vision-task-foundations",
    "topics/computer-vision-overview"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}