Methodenbewijsdossier

U-Net

U-Net is a fully convolutional encoder-decoder architecture, introduced by Ronneberger, Fischer, and Brox at MICCAI 2015, that produces dense pixel-wise segmentation masks by combining a contracting path that captures context with a symmetric expanding path that enables precise localization — all bridged by skip connections that preserve fine spatial detail. It established the standard baseline for biomedical image segmentation and has since become one of the most widely adopted architectures for any pixel-level prediction task.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

U-Net: Convolutional Networks for Biomedical Image Segmentation

Taxonomisch methodendossier · ml-model / deep-learning

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

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Same method familyFully Convolutional Network (FCN)machine-suggested · Relational suggestion, not evidence.Same method familyMask R-CNNmachine-suggested · Relational suggestion, not evidence.Same method familyResNetmachine-suggested · Relational suggestion, not evidence.