U-Net
U-Net е напълно конволюционна архитектура енкодер-декодер, представена от Ронебергер, Фишер и Брокс на MICCAI 2015, която произвежда плътни пиксел-базирани сегментационни маски чрез комбиниране на свиващ път, който улавя контекст, със симетричен разширяващ път, който позволява прецизна локализация — всичко това свързано чрез пропускащи връзки, които запазват фините пространствени детайли. Тя установи стандартната базова линия за сегментация на биомедицински изображения и оттогава се превърна в една от най-широко възприетите архитектури за всяка задача за предсказване на пикселно ниво.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In N. Navab et al. (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, LNCS 9351 (pp. 234–241). Springer. DOI: 10.1007/978-3-319-24574-4_28 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Как да цитирате тази страница
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/bg/deep-learning/u-net
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Напълно конволюционна мрежа (FCN)Дълбоко обучение↔ сравняване
- Mask R-CNN: Сегментация на екземпляри с маски на ниво пикселДълбоко обучение↔ сравняване
- ResNet (Residual Network)Дълбоко обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →