U-Net
U-Net adalah arsitektur *encoder-decoder* yang sepenuhnya konvolusional, diperkenalkan oleh Ronneberger, Fischer, dan Brox pada MICCAI 2015, yang menghasilkan *mask* segmentasi piksel-demi-piksel yang padat dengan menggabungkan jalur kontraksi yang menangkap konteks dengan jalur ekspansi simetris yang memungkinkan lokalisasi presisi — semuanya dihubungkan oleh koneksi pintas (*skip connections*) yang mempertahankan detail spasial halus. Arsitektur ini menetapkan *baseline* standar untuk segmentasi citra biomedis dan sejak itu menjadi salah satu arsitektur yang paling banyak diadopsi untuk tugas prediksi tingkat piksel apa pun.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/id/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)Pembelajaran Mendalam↔ compare
- Mask R-CNN: Segmentasi Instans dengan Mask Piksel-TingkatPembelajaran Mendalam↔ compare
- ResNet (Residual Network)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →