U-Net
U-Net은 Ronneberger, Fischer, Brox가 MICCAI 2015에서 소개한 완전 합성곱 인코더-디코더(encoder-decoder) 아키텍처입니다. 이 아키텍처는 문맥을 포착하는 수축 경로(contracting path)와 정밀한 위치 파악을 가능하게 하는 대칭적인 확장 경로(expanding path)를 결합하여 픽셀 단위의 조밀한 분할 마스크를 생성합니다. 이 두 경로는 미세한 공간적 세부 사항을 보존하는 스킵 연결(skip connection)로 연결되어 있습니다. U-Net은 생체 의료 영상 분할(biomedical image segmentation)의 표준 기준을 확립했으며, 이후 모든 픽셀 수준 예측 작업에서 가장 널리 채택되는 아키텍처 중 하나가 되었습니다.
방법 전문 읽기
무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/ko/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)딥러닝↔ compare
- Mask R-CNN: 픽셀 단위 마스크를 이용한 인스턴스 분할딥러닝↔ compare
- ResNet (Residual Network)딥러닝↔ compare