یونِت
یونِت یک معماری کاملاً کانولوشنالِ رمزگذار-رمزگشا است که توسط رونبرگر، فیشر و بروکس در MICCAI 2015 معرفی شد. این معماری با ترکیب یک مسیر انقباضی که زمینه را در بر میگیرد، با یک مسیر انبساطی متقارن که امکان مکانیابی دقیق را فراهم میکند، ماسکهای قطعیِ بخشبندیِ پیکسل به پیکسل را تولید میکند — همه اینها توسط اتصالات پرشی که جزئیات فضایی ظریف را حفظ میکنند، به هم متصل شدهاند. این معماری خط پایه استاندارد برای بخشبندی تصاویر زیستپزشکی را ایجاد کرد و از آن زمان به یکی از پرکاربردترین معماریها برای هر وظیفه پیشبینی در سطح پیکسل تبدیل شده است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/fa/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.
- شبکه کاملاً کانولوشنال (FCN)یادگیری عمیق↔ compare
- Mask R-CNN: تقسیمبندی نمونه با ماسکهای سطح پیکسلیادگیری عمیق↔ compare
- ResNet (شبکه باقیمانده)یادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →