Machine learning
U-Net
U-Netは、Ronneberger、Fischer、BroxによってMICCAI 2015で導入された全畳み込みエンコーダー・デコーダーアーキテクチャであり、文脈を捉える収縮パスと正確な局在化を可能にする対称的な拡張パスを組み合わせることで、密なピクセル単位のセグメンテーションマスクを生成します。これらすべては、細かい空間的詳細を保持するスキップ接続によって結ばれています。このアーキテクチャは、生物医学的画像セグメンテーションの標準的なベースラインを確立し、それ以来、あらゆるピクセルレベル予測タスクで最も広く採用されているアーキテクチャの1つとなっています。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/ja/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.
- 全畳み込みネットワーク（FCN）深層学習↔ compare
- Mask R-CNN：ピクセルレベルマスクによるインスタンスセグメンテーション深層学習↔ compare
- ResNet（Residual Network）深層学習↔ compare