# Głębokie architektury konwolucyjne (ResNet, U-Net)

EN: **Deep convolutional architectures (ResNet, U-Net)** · id `cnnarchs` · aliases: CNN architectures, ResNet, U-Net, VGG, AlexNet, LeNet, architektury CNN

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Sieci i modele generatywne](https://aiatlasgraph.com/t/neural.md) › [Sieci konwolucyjne i sekwencyjne](https://aiatlasgraph.com/t/cnn.md) › Głębokie architektury konwolucyjne (ResNet, U-Net)

## Description

- PL: Rodziny architektur konwolucyjnych: od LeNet, AlexNet i VGG, przez ResNet z połączeniami resztkowymi, po U-Net — enkoder–dekoder z połączeniami między odpowiadającymi sobie poziomami, stosowany m.in. w segmentacji i jako szkielet części modeli dyfuzyjnych.
- EN: Families of convolutional architectures: from LeNet, AlexNet and VGG through ResNet with residual connections to U-Net — an encoder-decoder with connections between corresponding levels, used for segmentation and as the backbone of some diffusion models.

## In one sentence

- PL: To różne układy warstw i połączeń w głębokich sieciach analizujących obrazy.
- EN: These are different layer and connection layouts in deep networks that analyse images.

## Problem it solves

- PL: Prosta sieć może gubić szczegóły albo trudno się uczyć, gdy dodasz wiele warstw.
- EN: A simple network may lose detail or become hard to train when you add many layers.

## What it does

- PL: Układy łączą wydobywanie cech z drogami na skróty lub przywracaniem rozdzielczości, zależnie od potrzeb rozpoznawania i zaznaczania obszarów.
- EN: Layouts combine feature extraction with shortcuts or restored resolution, depending on recognition and region-labelling needs.

## Everyday example

- PL: Do wycinania roślin ze zdjęcia wybierasz sieć, która łączy ogólny obraz sceny z zachowanymi szczegółami krawędzi.
- EN: For cutting plants out of photos, you choose a network that combines the overall scene with preserved edge details.

## This concerns you if you…

- PL: wybierasz układ modelu do obrazu
- PL: potrzebujesz zarówno szczegółów, jak i ogólnego kontekstu
- EN: choose a network layout for images
- EN: need both fine details and overall context

## Keywords

LeNet · AlexNet · VGG · ResNet · U-Net · encoder-decoder architecture · skip connections

## How it works

- PL: Stosy splotów budują hierarchię cech, a połączenia resztkowe ułatwiają optymalizację głębokich modeli. Układ enkoder–dekoder zmniejsza i odbudowuje rozdzielczość, łącząc reprezentacje różnych skal przez połączenia skrótowe.
- EN: Convolution stacks build feature hierarchies, and residual connections ease deep-model optimisation. Encoder–decoder layouts reduce and restore resolution, combining representations across scales through shortcut connections.

## Limits

- PL: Głębokość i szerokość zwiększają koszt oraz pamięć aktywacji. Silna redukcja rozdzielczości traci szczegóły; połączenia między skalami wymagają zgodnych rozmiarów i prawidłowej obsługi brzegów.
- EN: Depth and width increase cost and activation memory. Strong downsampling loses detail; cross-scale connections need compatible dimensions and correct boundary handling.

## Key terms

- PL: **enkoder–dekoder**: Układ kompresujący reprezentację i odtwarzający z niej wyjście zadania.
- PL: **hierarchia cech**: Kolejne reprezentacje obejmujące coraz szerszy kontekst wejścia.
- EN: **encoder–decoder**: A layout compressing representations and reconstructing task outputs from them.
- EN: **feature hierarchy**: Successive representations covering increasingly broad input context.

## Know first

- [Splot, filtry i pooling (Convolution, filters and pooling)](https://aiatlasgraph.com/t/convpool.md)
- [Połączenia resztkowe (skip connections) (Residual (skip) connections)](https://aiatlasgraph.com/t/residual.md)

## Examples

- PL: LeNet · AlexNet · VGG · ResNet · U-Net

## Related topics

Untyped, symmetric "see also" links.

- [Klasyfikacja obrazów (Image classification)](https://aiatlasgraph.com/t/imageclassification.md)
- [Połączenia resztkowe (skip connections) (Residual (skip) connections)](https://aiatlasgraph.com/t/residual.md)
- [Segmentacja obrazu (Image segmentation)](https://aiatlasgraph.com/t/segmentation.md)

## Sources

- [Dive into Deep Learning — table of contents](<https://d2l.ai/>) `d2l-toc` · by Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola
- [Deep Residual Learning for Image Recognition](<https://arxiv.org/abs/1512.03385>) `resnet-2015` · by Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
- [U-Net: Convolutional Networks for Biomedical Image Segmentation](<https://arxiv.org/abs/1505.04597>) `unet-2015` · by Olaf Ronneberger, Philipp Fischer, Thomas Brox
- [CS231n: Convolutional Neural Networks (course notes)](<https://cs231n.github.io/convolutional-networks/>) `cs231n-convnets-notes` · by Stanford CS231n

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/cnnarchs · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30