U-Net
U-Net — це повністю згорткова архітектура типу "кодер-декодер", представлена Ronneberger, Fischer та Brox на MICCAI 2015, яка генерує щільні попіксельні маски сегментації, поєднуючи стискаючий шлях, що захоплює контекст, із симетричним розширювальним шляхом, що забезпечує точну локалізацію — усе це з'єднано пропусками з'єднань (skip connections), що зберігають дрібні просторові деталі. Вона встановила стандартний базовий рівень для сегментації медичних зображень і відтоді стала однією з найпоширеніших архітектур для будь-якого завдання прогнозування на рівні пікселів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/uk/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.
- Повністю згорткова мережа (FCN)Глибоке навчання↔ compare
- Mask R-CNN: сегментація екземплярів з масками на рівні пікселівГлибоке навчання↔ compare
- ResNet (Residual Network)Глибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →