U-Net

기계 학습과 데이터 마이닝
패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 뉴로모픽 엔지니어링 양자 기계 학습
문제 분류 생성 모델 회귀 분석 클러스터 분석 차원 축 이상 탐지 데이터 정제 AutoML 연관 규칙 학습 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모덜 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 배깅 부스팅 랜덤 포레스트 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH CURE 알고리즘 계층적 군집화 k-평균 알고리즘 퍼지 클러스터링 기댓값 최대화 알고리즘 DBSCAN OPTICS 평균이동
차원 축소 인자 분석 CCA 독립 성분 분석 선형 판별 분석 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 무작위 표본 합의 k-최근접 이웃 알고리즘 국소 특이점 요인 고립 포레스트
인공 신경망 오토인코더 딥 러닝 순방향 신경망 순환 신경망 LSTM GRU 볼츠만 머신 제한된 생성적 적대 신경망 확산 모델 자기조직화 지도 합성곱 신경망 U-Net LeNet 알렉스넷 딥드림 신경 방사장 트랜스포머 비전 맘바 스파이킹 신경망 멤트렌지스터 전기화학 RAM 다층 퍼셉트론
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 액티브 러닝 크라우드소싱 휴먼인더루프 RLHF
모델 진단 결정계수 혼동 행렬 러닝 커브 수신자 조작 특성
이론 커널 메소드 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

U-Net은 영상 분할을 위해 개발된 합성곱 신경망이다.^[1] 이 신경망은 완전 합성곱 신경망^[2]을 기반으로 하며, 더 적은 훈련 영상으로 더 정확한 분할을 얻을 수 있도록 구조가 수정 및 확장되었다. U-Net 구조를 사용하여 512 × 512 영상 분할은 최신 (2015년) GPU에서 1초 미만이 소요된다.^[1][3][4][5]

U-Net 구조는 반복적 영상 잡음 제거를 위한 확산 모델에서도 사용되었다.^[6] 이 기술은 DALL-E, Midjourney, Stable Diffusion과 같은 많은 현대 영상 생성 모델의 기반이 된다.