U-Net
U-Net เป็นสถาปัตยกรรมแบบ Fully Convolutional Encoder-Decoder ที่นำเสนอโดย Ronneberger, Fischer และ Brox ในงาน MICCAI 2015 ซึ่งสร้างหน้ากากการแบ่งส่วนแบบพิกเซลต่อพิกเซล (dense pixel-wise segmentation masks) โดยการรวมเส้นทางหดตัว (contracting path) ที่จับบริบทเข้ากับเส้นทางขยายที่สมมาตร (symmetric expanding path) ที่ช่วยให้การระบุตำแหน่งแม่นยำ — ทั้งหมดเชื่อมต่อกันด้วยการเชื่อมต่อข้าม (skip connections) ที่รักษาลายละเอียดเชิงพื้นที่ (fine spatial detail) สถาปัตยกรรมนี้ได้กลายเป็นมาตรฐานพื้นฐานสำหรับการแบ่งส่วนภาพทางการแพทย์ (biomedical image segmentation) และได้กลายเป็นหนึ่งในสถาปัตยกรรมที่ได้รับการยอมรับอย่างกว้างขวางที่สุดสำหรับงานการทำนายระดับพิกเซลใดๆ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/th/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)การเรียนรู้เชิงลึก↔ compare
- Mask R-CNN: การแบ่งส่วนอินสแตนซ์ด้วยมาสก์ระดับพิกเซลการเรียนรู้เชิงลึก↔ compare
- ResNet (เครือข่ายส่วนที่เหลือ)การเรียนรู้เชิงลึก↔ compare