大家好，今天小编关注到一个比较有意思的话题，就是关于全卷积神经网络的问题，于是小编就整理了4个相关介绍全卷积神经网络的解答，让我们一起看看吧。
什么是全卷积神经网络？怎么理解？
我们先了解什么是卷积神经网络：
而卷积神经网络分为：输入层、卷积层、激励层、池化层、全连接层
全卷积神经网络（FCN）与卷积神经网络（CNN）的区别在把于CNN最后的全连接层换成卷积层，输出的是一张已经Label好的图片。
详细一点地来说就是FCN对图像进行的是像素级的一个分类
与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（全联接层＋softmax输出）不同
简单来说就是没有全连接层的CNN，主要好处是支持不同大小的输入，支持全图端到端的训练，可以更好地学习context信息，非常适合于输出是图像的任务比如segmentation、edge detection、optical flow等。经典论文是CVPR 2015的Fully convolutional networks for semantic segmentation。
图卷积神经网络介绍？
图卷积神经网络是一种特殊的神经网络，它可以在图形数据上进行卷积操作，并利用节点和边的信息进行特征提取和分类。
与传统的卷积神经网络不同，它不仅考虑了数据的空间结构，还考虑了数据之间的关系。这种网络结构可以广泛应用于社交网络、生物信息学、交通网络等领域，成为当前热门的研究方向之一。
卷积神经网络是谁首先提出的？
，卷积神经网络是由Yann LeCun在1989年提出的LeNet中首先被使用，但是由于当时的计算能力不够，并没有得到广泛的应用，到了1998年Yann LeCun及其合作者构建了更加完备的卷积神经网络LeNet-5并在手写数字的识别问题中取得成功，LeNet-5的成功使卷积神经网络的应用得到关注。LeNet-5沿用了LeCun (1989) 的学习策略并在原有设计中加入了池化层对输入特征进行筛选 。LeNet-5基本上定义了现代卷积神经网络的基本结构，其构筑中交替出现的卷积层-池化层被认为有效提取了输入图像的平移不变特征，使得对于特征的提取前进了一大步，所以我们一般的认为，Yann LeCun是卷积神经网络的创始人。
福岛邦彦。
2021年4月29日，福岛邦彦（Kunihiko Fukushima）获得 2021 年鲍尔科学成就奖。他为深度学习做出了杰出贡献，其最有影响力的工作当属「Neocognitron」卷积神经网络架构。
福岛邦彦(Kunihiko Fukushima)设计的具有学习能力的人工多层神经网络，可以模仿大脑的视觉网络，这种「洞察力」成为现代人工智能技术的基础。福岛博士的工作带来了一系列实际应用，从自动驾驶汽车到面部识别，从癌症检测到洪水预测，还会有越来越多的应用。
卷积神经网络真的完美无瑕吗？
当然不是，有很多问题。首先包括卷积神经网络在内的深度学习技术缺少严谨的数学理论支撑，导致深度技术主要依靠做实验来改进模型，存在盲目性；其次，卷积网在处理图像时容易被一些人眼观察不到的细微干扰影响，导致人眼观察几乎相同的图片，神经网络却会得到截然不同的分类结果。这个缺点导致卷积网可能会在特定条件下崩溃，缺乏稳定性，在cvpr2017论文集，以及深度学习鼻祖hinton近期论文capsule net中有相关论述。
到此，以上就是小编对于全卷积神经网络的问题就介绍到这了，希望介绍关于全卷积神经网络的4点解答对大家有用。
