基于深层卷积神经网络的特征学习能力, 提出了一种基于全卷积神经网络的焊缝特征提取方法。该方法利用全卷积神经网络将包含焊缝特征信息的像素预测出来, 通过融合低层与高层特征信息来补充焊缝边缘的特征信息。研究结果表明：所提方法能在强烈弧光和烟尘干扰下准确地提取出焊缝位置, 具有抗干扰能力强、识别准确的优点。

CNN用于脑室分割 这是在Neurostart hacka上使用CNN分割CT数据的结果。 这是用于脑室分割的全卷积人工神经网络的示例。 这是“个人3D脑图集”项目的第一步。 在Burdenko研究所的帮助下，基于FEFU（远东联邦大学）开发地图集。 感谢您提供数据，并向Dmitry Samborsky，Arthur Biktimirov和“ CPD C 305”实验室的工作人员提供建议。

本代码为FCN的keras实现，供初学者学习使用，因为要恰饭所以设置收费，学生党可以在原文下留言，我可以发到你邮箱 原文连接：https://blog.csdn.net/weixin_42834786/article/details/121257711

最全卷积神经网络CNN(初学者入门共83页，良心整理

基于改进全卷积神经网络的玉米叶片病斑分割.pdf

所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。 多数的图像分割算法均是基于灰度值的不连续和相似的性质

基于全卷积神经网络的花岗岩中不同组分分布特征分析.pdf

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法, 无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络, 将高层语义信息和低层特征信息进行融合; 利用残差块进一步学习细节和纹理特征; 利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构, 进一步扩大感受野, 充分结合图像上下文信息; 采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明, 在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%, 敏感性分别为80.53%和82.99%, 特异性分别为97.67%和97.94%, 受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。

图像分割任务中，传统的基于人工设计特征方法工作量大、复杂度高、分割精度较低，现有的基于全卷积神经网络（fully convolutional networks，FCN）的方法在分割边缘上不够精细。为了提高图像分割算法的分割精度，提出基于多源融合的全卷积神级网络模型，输入图片经过Sobel算子提取边缘特征获得特征矩阵，与RGB和灰度图像一起作为输入，将传统全卷积网络拓展成具有多种输入源的分割模型。在PASCAL VOC2012图像分割数据集上进行实验验证，结果显示该模型提高了图像分割的精度，具有良好的实时性和鲁棒性。

基于全卷积神经网络的中文语音识别系统 基于全卷积神经网络的中文语音识别系统 简介简介 通过git克隆仓库以后，需要将数据列表目录下的文件全部复制到数据集目录下，也就是将其跟数据集放在一起。 $ cp -rf datalist/ * dataset/ 目前可用的模型有24、25和251 本项目开始训练请执行： $ python3 train_mspeech.py 本项目开始测试请执行： $ python3 test_mspeech.py iters_num （这里的iters_num为迭代的step数，可以在生成的step_dfcnn.txt文件里查看） 测试之前，请确保代码中填写的模型文件路径存在。 ASRT API服务器启动请执行： $ python3 asrserver.py 模型模型 语音模型语音模型 CNN + LSTM / GRU + CTC 语言模型 基于概率图的最大