U-Net
U-Net是一种对称的卷积神经网络架构，专为生物医学图像分割设计，通过跳跃连接融合高低层特征，在少量样本下仍能实现精确分割。
一句话解释
U-Net是一个形似“U”的卷积神经网络，通过编码-解码结构提取图像特征，并用跳跃连接保留细节，实现像素级别的图像分类，常用于医学图像中精准分割病灶区域。
为什么会被关注
U-Net在2015年提出后，迅速成为图像分割的基准模型。它能在标注数据有限的情况下训练出高精度模型，解决了医学影像标注成本高的痛点。此后众多分割网络（如UNet++、Attention U-Net）都受其启发，至今仍是医疗AI最常用的架构之一。
核心逻辑
U-Net整体分为收缩路径（编码器）和扩展路径（解码器）。编码器通过多次卷积与池化逐步降低空间分辨率、提取语义特征；解码器通过上采样恢复分辨率，并用跳跃连接将编码器每层的细粒度空间信息直接传给对应解码层。这种设计让网络既理解“是什么”，又知道“在哪里”。
常见场景
医学影像分割是U-Net最经典的应用，如CT图像中的器官分割、眼底血管提取、细胞膜边界识别。在遥感领域，它用于卫星图像中的建筑物和道路提取；工业质检中用来定位产品表面缺陷。此外，在自动驾驶、视频目标分割等需要像素级理解的场景也常被借用。
容易混淆的点
初学者常将U-Net与一般的全卷积网络（FCN）混淆。FCN只用上采样，而U-Net增加跳跃连接，因此对小目标恢复更好。另外，U-Net和ResNet不同：ResNet主要用残差连接解决深层退化，U-Net用跳跃连接解决空间信息丢失。混淆“跳跃连接”与“残差连接”也常见，前者连接同一层的编解码，后者连接同层前后卷积块。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词编码智能体指具备自主理解、生成和调试代码能力的AI程序，能作为开发者的协作伙伴，在需求理解、代码生成、错误修复等环节提供高效支持。它不同于简单的代码补全工具，而是能主动规划任务、调用工具并迭代优化结果。
浏览器智能体是一种深度集成在浏览器中的AI代理程序，能理解用户意图并自主操控网页完成复杂任务，如自动填表、数据提取、多步骤操作等，让浏览体验更智能高效。
工具智能体是一种能够自主调用外部工具（如搜索引擎、计算器、API、文件系统等）的人工智能系统，通过拆解用户目标、规划执行步骤、调用工具并整合结果，完成传统对话模型无法独立处理的复杂多步骤任务。
协作智能体是指多个AI智能体通过通信、分工与协调，共同完成单一智能体难以胜任的复杂任务。它模拟了人类团队合作的方式，每个智能体拥有特定角色和任务，通过共享信息、动态调整来提升整体效率与准确性。在自动化办公、软件开发、客服系统等领域已有实际应用。
单智能体系统是指由单个AI智能体独立感知环境、决策并执行任务的系统，是AI应用中最基本的架构形式，广泛应用于机器人控制、对话系统和自动化工具中。
多智能体系统（Multi-Agent System, MAS）是由多个独立AI智能体组成的协作网络，每个智能体有自己的目标和能力，通过通信与协调共同完成复杂任务。它正在从自动驾驶、机器人集群到大型语言模型协同工具等领域崭露头角。