U-Net
U-Net är en helt faltningsbaserad (fully convolutional) arkitektur av typen encoder-decoder, introducerad av Ronneberger, Fischer och Brox vid MICCAI 2015. Den producerar täta, pixelvisa segmenteringsmasker genom att kombinera en kontraherande väg (contracting path) som fångar kontext med en symmetrisk expanderande väg (expanding path) som möjliggör precis lokalisering — allt sammanbundet av hoppkopplingar (skip connections) som bevarar fin spatial detalj. Arkitekturen etablerade standardbaslinjen för segmentering av biomedicinska bilder och har sedan dess blivit en av de mest använda arkitekturerna för alla typer av pixel-nivåprediktioner.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/sv/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.
- Fullständigt faltningsnätverk (FCN)Djupinlärning↔ compare
- Mask R-CNN: Instanssegmentering med pixelnivåmaskerDjupinlärning↔ compare
- ResNet (Residual Network)Djupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →