Fully convolutional indicates that

Fully convolutional indicates that the neural network is composed of convolutional layers without any fully-connected layers or MLP usually found at the end of the network. A CNN with fully connected layers is just as end-to-end learnable as a fully convolutional one. The main difference is that the fully convolutional net is learning filters every where. Even the decision-making layers at the end of the network are filters.

A fully convolutional net tries to learn representations and make decisions based on local spatial input. Appending a fully connected layer enables the network to learn something using global information where the spatial arrangement of the input falls away and need not apply.

ผลลัพธ์ (ไทย) 1:

สลับลำดับข้อมูลทั้งหมดระบุว่า เครือข่ายของระบบประสาทประกอบด้วยชั้นสลับลำดับข้อมูลโดยไม่มีการเชื่อมต่อครบชั้นหรือ MLP มักจะพบในตอนท้ายของเครือข่าย CNN ด้วยชั้นความสวยเป็นเพียงการสิ้น learnable เป็นหนึ่งสลับลำดับข้อมูลอย่างเต็ม ความแตกต่างหลักคือ สุทธิสลับลำดับข้อมูลทั้งหมดเป็นการเรียนกรอง แม้ชั้นตัดสินใจในตอนท้ายของเครือข่ายที่มีกรองสุทธิสลับลำดับข้อมูลเต็มที่พยายามเรียนรู้แทน และตัดสินใจอิงป้อนข้อมูลเชิงพื้นที่ในท้องถิ่น ผนวกความสวยชั้นช่วยให้เครือข่ายการเรียนรู้โดยใช้ข้อมูลส่วนกลางซึ่งการเรียงตัวของการป้อนข้อมูลลงไป และต้องไม่ใช้

ผลลัพธ์ (ไทย) 2:

ความสับสนอย่างเต็มที่แสดงให้เห็นว่าเครือข่ายประสาทประกอบด้วยชั้นโดยไม่ต้องสับสนชั้นใด ๆ ที่เชื่อมต่อได้อย่างเต็มที่หรือ MLP มักจะพบในตอนท้ายของเครือข่าย ซีเอ็นเอ็นกับชั้นเชื่อมต่ออย่างเต็มที่เป็นเพียงเป็นแบบ end-to-end learnable เป็นความสับสนอย่างเต็มที่ ความแตกต่างที่สำคัญคือสุทธิสับสนอย่างเต็มที่เป็นตัวกรองการเรียนรู้ทุกที่ แม้ในชั้นการตัดสินใจในตอนท้ายของเครือข่ายที่มีฟิลเตอร์.

พยายามสุทธิสับสนอย่างเต็มที่ที่จะเรียนรู้การแสดงและการตัดสินใจบนพื้นฐานของข้อมูลเชิงพื้นที่ท้องถิ่น ผนวกชั้นเชื่อมต่ออย่างเต็มที่ช่วยให้เครือข่ายการเรียนรู้บางสิ่งบางอย่างโดยใช้ข้อมูลระดับโลกที่จัดพื้นที่ของท่านตกไปและไม่จำเป็นต้องใช้

ผลลัพธ์ (ไทย) 3:

อย่างคอน พบว่าเครือข่ายระบบประสาทประกอบด้วยขดชั้นโดยไม่เต็มเชื่อมต่อชั้นหรือ MLP ที่มักจะพบในตอนท้ายของเครือข่าย ซีเอ็นเอ็นพร้อมเชื่อมต่อชั้นก็เป็นแบบ end - to - end learnable เป็นเต็มขดหนึ่ง ความแตกต่างหลักคือการที่สุทธิเต็มคอนคือการเรียนรู้กรองทุกที่ แม้การตัดสินใจของชั้น ในตอนท้ายของเครือข่ายที่มีตัวกรองสุทธิเต็มคอนพยายามเรียนรู้ภาพตัวแทนและตัดสินใจบนพื้นฐานข้อมูลเชิงพื้นที่ท้องถิ่น ท้ายเต็มชั้นช่วยให้เชื่อมต่อเครือข่ายเพื่อเรียนรู้การใช้ข้อมูลระดับโลกที่จัดพื้นที่การป้อนข้อมูลลงทันที และไม่ต้องใช้