U-Net
U-Net is een volledig convolutionele encoder-decoder-architectuur, geïntroduceerd door Ronneberger, Fischer en Brox op MICCAI 2015, die dichte pixelgewijze segmentatiemaskers produceert door een "contracting path" (samentrekkend pad) dat context vastlegt te combineren met een symmetrisch "expanding path" (uitbreidend pad) dat precieze lokalisatie mogelijk maakt — alles overbrugd door "skip connections" (overslagverbindingen) die fijne ruimtelijke details behouden. Het vestigde de standaard basislijn voor biomedische beeldsegmentatie en is sindsdien een van de meest toegepaste architecturen geworden voor elke taak van pixel-niveau voorspelling.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/nl/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)Deep learning↔ compare
- Mask R-CNN: Instantiesegmentatie met pixel-niveau maskersDeep learning↔ compare
- ResNet (Residual Network)Deep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →