U-Net
U-Net és una arquitectura totalment convolucional d'codificador-descodificador, introduïda per Ronneberger, Fischer i Brox a MICCAI 2015, que produeix màscares de segmentació denses píxel a píxel combinant un camí de contracció que captura el context amb un camí d'expansió simètric que permet una localització precisa — tot connectat per connexions de salt (skip connections) que preserven detalls espacials fins. Va establir la línia base estàndard per a la segmentació d'imatges biomèdiques i des de llavors s'ha convertit en una de les arquitectures més adoptades per a qualsevol tasca de predicció a nivell de píxel.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/ca/deep-learning/u-net
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Fully Convolutional Network (FCN)Aprenentatge profund↔ compare
- Mask R-CNN: Segmentació d'instàncies amb màscares a nivell de píxelAprenentatge profund↔ compare
- ResNet (Residual Network)Aprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →