U-Net
U-Net to w pełni konwolucyjna architektura typu koder-dekoder, wprowadzona przez Ronnebergera, Fischera i Broxa na MICCAI 2015, która generuje gęste maski segmentacji piksel po pikselu, łącząc ścieżkę zwężającą, która wychwytuje kontekst, z symetryczną ścieżką rozszerzającą, która umożliwia precyzyjną lokalizację — wszystko połączone przez połączenia pomijające (skip connections), które zachowują drobne szczegóły przestrzenne. Ustanowiła ona standardową bazę dla segmentacji obrazów biomedycznych i od tego czasu stała się jedną z najszerzej stosowanych architektur do wszelkich zadań przewidywania na poziomie pikseli.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/pl/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)Uczenie głębokie↔ compare
- Mask R-CNN: Segmentacja instancji z maskami na poziomie pikseliUczenie głębokie↔ compare
- ResNet (Residual Network)Uczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →