U-Net
U-Net es una arquitectura codificador-decodificador completamente convolucional, introducida por Ronneberger, Fischer y Brox en MICCAI 2015, que produce máscaras de segmentación densas píxel a píxel al combinar una ruta contractiva que captura el contexto con una ruta expansiva simétrica que permite una localización precisa — todo unido por conexiones de salto (skip connections) que preservan el detalle espacial fino. Estableció la línea base estándar para la segmentación de imágenes biomédicas y desde entonces se ha convertido en una de las arquitecturas más adoptadas para cualquier tarea de predicción a nivel de píxel.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/es/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.
- Red Neuronal Totalmente Convolucional (FCN)Aprendizaje profundo↔ compare
- Mask R-CNN: Segmentación de Instancias con Máscaras a Nivel de PíxelAprendizaje profundo↔ compare
- ResNet (Red Neuronal Residual)Aprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →