U-Net
Το U-Net είναι μια πλήρως συνελικτική αρχιτεκτονική κωδικοποιητή-αποκωδικοποιητή, που εισήχθη από τους Ronneberger, Fischer και Brox στο MICCAI 2015, η οποία παράγει πυκνές, κατά επίπεδο εικονοστοιχείων μάσκες τμηματοποίησης συνδυάζοντας ένα συσταλτικό μονοπάτι που συλλαμβάνει το περιβάλλον με ένα συμμετρικό επεκτεινόμενο μονοπάτι που επιτρέπει ακριβή εντοπισμό — όλα συνδεδεμένα με συνδέσεις παράκαμψης (skip connections) που διατηρούν λεπτομερή χωρική λεπτομέρεια. Καθιέρωσε το πρότυπο σημείο αναφοράς για την τμηματοποίηση ιατρικών εικόνων και έκτοτε έχει γίνει μία από τις πιο ευρέως υιοθετημένες αρχιτεκτονικές για οποιαδήποτε εργασία πρόβλεψης σε επίπεδο εικονοστοιχείου.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/el/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.
- Πλήρως Συνελικτικό Δίκτυο (FCN)Βαθιά Μάθηση↔ compare
- Mask R-CNN: Τμηματοποίηση Οντοτήτων με Μάσκες σε Επίπεδο ΕικονοστοιχείουΒαθιά Μάθηση↔ compare
- ResNet (Δίκτυο Κατάλοιπων)Βαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →