U-Net
U-Net ialah seni bina pengekod-penyahkod (encoder-decoder) berjenis konvolusi penuh yang diperkenalkan oleh Ronneberger, Fischer, dan Brox di MICCAI 2015. Ia menghasilkan topeng segmentasi padat piksel demi piksel dengan menggabungkan laluan mengecut (contracting path) yang menangkap konteks dengan laluan mengembang (expanding path) simetri yang membolehkan penyetempatan tepat — semuanya disambungkan oleh sambungan langkau (skip connections) yang mengekalkan perincian spatial halus. Ia telah menetapkan garis dasar standard untuk segmentasi imej bioperubatan dan sejak itu menjadi salah satu seni bina yang paling banyak diguna pakai untuk sebarang tugas ramalan peringkat piksel.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/ms/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.
- Rangkaian Konvolusional Penuh (FCN)Pembelajaran Mendalam↔ compare
- Mask R-CNN: Segmentasi Instans dengan Topeng Tahap PikselPembelajaran Mendalam↔ compare
- ResNet (Residual Network)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →