U-Net
U-Net er en fullstendig konvolusjonell enkoder-dekoder-arkitektur, introdusert av Ronneberger, Fischer og Brox ved MICCAI 2015, som produserer tette pikselvise segmenteringsmasker ved å kombinere en kontraherende bane som fanger kontekst med en symmetrisk ekspanderende bane som muliggjør presis lokalisering — alt forbundet av hoppkoblinger som bevarer fin romlig detalj. Den etablerte standarden for biomedisinsk bildesegmentering og har siden blitt en av de mest brukte arkitekturene for enhver pikselnivåprediksjonsoppgave.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/no/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.
- Fullt konvolusjonelt nettverk (FCN)Dyp læring↔ compare
- Mask R-CNN: Instanssegmentering med pikselnivåmaskerDyp læring↔ compare
- ResNet (Residual Network)Dyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →