U-Net
U-Net è un'architettura encoder-decoder completamente convoluzionale, introdotta da Ronneberger, Fischer e Brox al MICCAI 2015, che produce maschere di segmentazione dense a livello di pixel combinando un percorso di contrazione che cattura il contesto con un percorso di espansione simmetrico che consente una localizzazione precisa — il tutto collegato da connessioni skip che preservano i dettagli spaziali fini. Ha stabilito lo standard di riferimento per la segmentazione di immagini biomediche ed è da allora diventata una delle architetture più ampiamente adottate per qualsiasi compito di predizione a livello di pixel.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/it/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)Apprendimento profondo↔ compare
- Mask R-CNN: Segmentazione di istanze con maschere a livello di pixelApprendimento profondo↔ compare
- ResNet (Residual Network)Apprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →