U-Net
U-Net on täysin konvolutiivinen enkooderi-dekooderi-arkkitehtuuri, jonka Ronneberger, Fischer ja Brox esittelivät MICCAI 2015 -konferenssissa. Se tuottaa tiheitä pikselitason segmentointimaskeja yhdistämällä supistavan polun, joka vangitsee kontekstin, symmetriseen laajenevaan polkuun, joka mahdollistaa tarkan paikannuksen. Kaiken tämän yhdistävät ohitusyhteydet (skip connections), jotka säilyttävät hienon spatiaalisen yksityiskohdan. Se vakiinnutti standardin vertailukohdan biolääketieteellisten kuvien segmentointiin ja on sittemmin muodostunut yhdeksi yleisimmin käytetyistä arkkitehtuureista mihin tahansa pikselitason ennustustehtävään.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/fi/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)Syväoppiminen↔ compare
- Mask R-CNN: Pikselitason maskeilla tapahtuva instanssien segmentointiSyväoppiminen↔ compare
- ResNet (Residual Network)Syväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →