U-Net
U-Net est une architecture entièrement convolutive de type encodeur-décodeur, introduite par Ronneberger, Fischer et Brox à la MICCAI 2015. Elle produit des masques de segmentation denses pixel par pixel en combinant un chemin contractant qui capture le contexte avec un chemin expansif symétrique qui permet une localisation précise — le tout relié par des connexions de saut (skip connections) qui préservent les détails spatiaux fins. Elle a établi la référence standard pour la segmentation d'images biomédicales et est depuis devenue l'une des architectures les plus largement adoptées pour toute tâche de prédiction au niveau du pixel.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/fr/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.
- Réseau entièrement convolutionnel (FCN)Apprentissage profond↔ compare
- Mask R-CNN : segmentation d'instances avec des masques au niveau du pixelApprentissage profond↔ compare
- ResNet (Réseau Résiduel)Apprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →