U-Net是一种为生物医学图像分割设计的卷积神经网络，由Olaf Ronneberger等人在2015年提出。该网络能够在少量标注样本上进行高效训练，并在ISBI挑战赛中取得优异成绩，应用于神经结构分割和细胞跟踪等任务。
U-Net的核心思想是通过数据增强充分利用有限的标注数据。其网络架构由收缩路径和扩展路径组成。收缩路径用于捕获上下文信息，扩展路径则通过上采样实现高分辨率的图像分割，确保精确定位。
U-Net特别适用于生物医学图像分割，因为它不仅能处理简单的分类任务，还能识别图像中的不同区域。其对称结构模仿人类视觉，能够在不同分辨率下保持图像信息。
U-Net利用Caffe框架实现，提供了完整的网络实现和预训练模型，便于研究者和开发者使用。该网络能够在现代GPU上以不到一秒的速度分割一个512x512的图像，适用于实时或近实时图像处理。
U-Net的训练方法解决了生物医学图像数据稀缺的问题，适用于高质量标注数据获取困难的情况。