U-Net
U-Net je potpuno konvoluciona arhitektura enkoder-dekoder, koju su predstavili Ronneberger, Fischer i Brox na MICCAI 2015, a koja proizvodi guste maske za segmentaciju po pikselu kombinovanjem kontraktilnog puta koji hvata kontekst sa simetričnim ekspanzivnim putem koji omogućava preciznu lokalizaciju — sve povezano skip konekcijama koje čuvaju fine prostorne detalje. Uspostavio je standardnu osnovnu liniju za segmentaciju biomedicinskih slika i od tada je postao jedna od najšire usvojenih arhitektura za bilo koji zadatak predviđanja na nivou piksela.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/sr/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.
- Potpuno konvoluciona mreža (FCN)Duboko učenje↔ compare
- Mask R-CNN: Segmentacija instanci sa maskama na nivou pikselaDuboko učenje↔ compare
- ResNet (Rezidualna Mreža)Duboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →