---
title: "U型網路（U-Net）"
slug: u-net
language: zh-TW
source: https://aiterms.tw/terms/u-net
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 神經網路, 電腦視覺, AI應用]
ipas_term: false
---

# U型網路（U-Net）

> **你有沒有看過醫生要把腫瘤邊界圈得很精準，心裡想這種事 AI 也辦得到嗎？**
> 你可以把 U-Net 想成「一邊看全局，一邊把細節畫回來」的模型
> 它最擅長的是影像分割，也就是把每個像素分到對的類別
> 因為有跳躍連接，邊界和細節通常比一般分類模型更好保留

### 容易混淆
> **U-Net vs 圖像分類**
> U-Net 要標出每個像素
> 圖像分類只要給整張圖一個標籤
> 最關鍵的區別：像素級和整張圖級
>
> **U-Net vs 自編碼器**
> U-Net 也有編碼和解碼
> 但它重視分割結果，不只是還原輸入
> 最關鍵的區別：任務目的不同
>
> **U-Net vs 一般 CNN**
> U-Net 會保留更多中間層細節
> 一般 CNN 常一路壓到最後做分類
> 最關鍵的區別：有沒有把細節接回來
>

### 記住這句就好
> 左邊壓縮看全局，右邊放大畫邊界。

### 實際案例
> **醫學影像**
> 在 CT 或超音波裡標出器官或病灶範圍，醫師就能更快檢查
>
> **工業檢測**
> 在產品照片裡圈出刮痕或瑕疵區域，比只判斷有沒有瑕疵更實用
>

### 算法與應用
> | 編碼器 | 把影像壓縮成高層特徵 | 負責看全局 |
> | 解碼器 | 把特徵放大回像素圖 | 負責畫細節 |
> | 跳躍連接 | 把高解析度資訊接回來 | 能減少邊界損失 |
> | 分割輸出 | 每個像素都有類別 | 這是 U-Net 的核心結果 |

### 情境判斷
> **Q1（直覺題）：你要在顯微鏡照片裡圈出細胞輪廓，應該想到它嗎？**
> → 應該，因為這就是典型的影像分割任務。
>
> **Q2（判斷題）：如果你只想判斷照片裡有沒有病灶，還一定要用 U-Net 嗎？**
> → 不一定，單純分類任務用一般 CNN 可能就夠了。
>
### 常見問題
> **Q：U-Net 只適合醫學影像嗎？**
> 不是，任何需要像素級分割的任務都可能用到。
>
> **Q：它為什麼叫 U-Net？**
> 因為整個編碼與解碼的路徑畫出來像字母 U。
>
> **Q：跳躍連接為什麼重要？**
> 它把早期的細節資訊送回解碼端，讓邊界更準。
>

### 相關術語
> - **卷積神經網路**：U-Net 的基礎就建立在 CNN 上
> - **影像分割**：先理解任務，才知道 U-Net 在做什麼
> - **編碼器**：U-Net 左半邊就是這類結構
> - **解碼器**：U-Net 右半邊就是這類結構

---

來源：https://aiterms.tw/terms/u-net
快查頁：https://aiterms.tw/terms/u-net
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-u-net