U-Net
U-Net é uma arquitetura totalmente convolucional de codificador-decodificador, introduzida por Ronneberger, Fischer e Brox no MICCAI 2015, que produz máscaras de segmentação densas pixel a pixel, combinando um caminho contrátil que captura o contexto com um caminho expansivo simétrico que permite localização precisa — tudo interligado por conexões de salto (skip connections) que preservam detalhes espaciais finos. Ela estabeleceu a linha de base padrão para segmentação de imagens biomédicas e, desde então, tornou-se uma das arquiteturas mais amplamente adotadas para qualquer tarefa de predição em nível de pixel.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/pt/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.
- Rede Totalmente Convolucional (FCN)Aprendizado profundo↔ compare
- Mask R-CNN: Segmentação de Instâncias com Máscaras em Nível de PixelAprendizado profundo↔ compare
- ResNet (Rede Residual)Aprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →