U-Net
U-Net je potpuno konvolucijska arhitektura enkoder-dekoder, koju su predstavili Ronneberger, Fischer i Brox na MICCAI 2015., a koja generira guste segmentacijske maske po pikselu kombiniranjem sažimajućeg puta koji hvata kontekst sa simetričnim proširujućim putem koji omogućuje preciznu lokalizaciju — sve povezano skakačkim vezama koje čuvaju fine prostorne detalje. Uspostavila je standardnu osnovnu liniju za segmentaciju biomedicinskih slika i od tada je postala jedna od najčešće usvojenih arhitektura za bilo koji zadatak predviđanja na razini piksela.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/hr/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.
- Potpuno konvolucijska mreža (FCN)Duboko učenje↔ compare
- Mask R-CNN: Segmentacija instanci s maskama na razini pikselaDuboko učenje↔ compare
- ResNet (rezidualna mreža)Duboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →