U-Net
U-Net ist eine vollständig Faltungs-basierte Encoder-Decoder-Architektur, die von Ronneberger, Fischer und Brox auf der MICCAI 2015 vorgestellt wurde. Sie erzeugt dichte pixelweise Segmentierungsmasken, indem sie einen kontrahierenden Pfad zur Erfassung des Kontexts mit einem symmetrischen expandierenden Pfad zur präzisen Lokalisierung kombiniert – alles verbunden durch Skip-Connections, die feine räumliche Details erhalten. Sie etablierte den Standard-Baseline für die biomedizinische Bildsegmentierung und ist seitdem eine der am weitesten verbreiteten Architekturen für jede pixelbasierte Vorhersageaufgabe.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/de/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)Deep Learning↔ compare
- Mask R-CNN: Instanzsegmentierung mit pixelgenauen MaskenDeep Learning↔ compare
- ResNet (Residual Network)Deep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →