U-Net
U-Net je plně konvoluční architektura typu enkodér-dekodér, představená Ronnebergerem, Fischerem a Broxem na konferenci MICCAI 2015, která produkuje husté pixelové segmentační masky kombinací kontraktivní cesty zachycující kontext se symetrickou expanzivní cestou umožňující přesnou lokalizaci — to vše propojené přes skip connections, které zachovávají jemné prostorové detaily. Stala se standardním základem pro segmentaci biomedicínských obrazů a od té doby je jednou z nejrozšířenějších architektur pro jakýkoli úkol predikce na úrovni pixelů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/cs/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.
- Plně konvoluční síť (FCN)Hluboké učení↔ compare
- Mask R-CNN: Segmentace instancí s maskami na úrovni pixelůHluboké učení↔ compare
- ResNet (reziduální síť)Hluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →