ميزة شبكات الهرم
تتيح الشبكات الهرمية المميزة (FPN) لأجهزة الكشف اكتشاف الكائنات بأحجام مختلفة تمامًا عن طريق بناء "هرم" متعدد المقاييس من الميزات بتكلفة زهيدة.
نظرة عامة
They are the reason modern detectors find both a tiny faraway pedestrian and a huge nearby truck in the same image.
الغوص العميق
تظهر الكائنات في الصور بمقاييس متعددة، وتواجه خريطة المعالم الواحدة صعوبة في التعامل معها جميعًا. قامت الأساليب القديمة ببناء أهرامات الصور عن طريق تغيير حجم الصورة عدة مرات وتشغيل الشبكة على كل نسخة، وهو الأمر الذي كان بطيئًا. FPN، قدمه لين وآخرون. في عام 2017، تم بدلاً من ذلك إعادة استخدام الهرم الطبيعي الموجود بالفعل داخل شبكة تلافيفية. يقوم العمود الفقري مثل ResNet بإنتاج خرائط الميزات التي تصبح أصغر حجمًا وأكثر عمقًا في الشبكة. يضيف FPN مسارًا من أعلى إلى أسفل: فهو يجمع ميزات عميقة وغنية لغويًا ويدمجها عبر اتصالات جانبية مع ميزات ضحلة وعالية الدقة. والنتيجة هي مجموعة من خرائط الميزات التي تتميز جميعها بالقوة الدلالية ولكنها تحافظ على التفاصيل المكانية الدقيقة، مما يؤدي إلى تحسين اكتشاف الأجسام الصغيرة بشكل كبير دون أي تكلفة إضافية تقريبًا.
البصيرة الفنية
لدى FPN مسار من أسفل إلى أعلى (العمود الفقري) ومسار من أعلى إلى أسفل. يتم تجميع كل مستوى من أعلى إلى أسفل بمقدار 2x (أقرب جار) وإضافته من حيث العناصر إلى خريطة ميزات جانبية ملتوية 1x1 ذات دقة مطابقة. يؤدي الالتفاف 3x3 بعد ذلك إلى تسهيل كل خريطة مدمجة لتقليل التعرجات. ينتج عن ذلك مستويات P2-P5 مع عدد قنوات ثابت (غالبًا 256)، كل منها مكلف باكتشاف الكائنات ذات نطاق مقياس معين.
التأثير الاستراتيجي
السرعة والحجم
يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
خيارات البناء
يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
الفريق وسير العمل
يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
مستقبل الشبكات الهرمية المميزة
لقد أنتج تصميم FPN من أعلى إلى أسفل العديد من الخلفاء: يضيف PANet مسارًا من أسفل إلى أعلى، ويجعل BiFPN (المستخدم في EfficientDet) عملية الدمج قابلة للتعلم وثنائية الاتجاه باستخدام الاتصالات الموزونة، ويبحث NAS-FPN عن طوبولوجيا الدمج تلقائيًا. تتجنب كاشفات المحولات، مثل DETR، الأهرامات الصريحة، لكن الاندماج متعدد المقاييس يظل محوريًا. توقع أن تستمر أفكار نمط FPN داخل محولات الرؤية وأجهزة الكشف الفعالة الموجودة على الجهاز، بشكل متزايد مع وزن المقياس المتعلم والمتكيف بدلاً من الاتصالات الثابتة.
التنفيذ في العالم الحقيقي
اكتشاف المشاة الصغار البعيدين والمركبات الكبيرة القريبة في وقت واحد في أكوام إدراك السيارات ذاتية القيادة
تشغيل تجزئة المثيلات في Mask R-CNN، حيث تقوم FPN بتغذية ميزات متعددة النطاق لاقتراح المنطقة ورؤوس القناع
اكتشاف الأورام الصغيرة إلى جانب الأعضاء الكبيرة في خطوط أنابيب الكشف عن التصوير الطبي
العثور على أجسام ذات أحجام مختلفة في صور الأقمار الصناعية والصور الجوية، بدءًا من القوارب الصغيرة وحتى المباني الكبيرة
المخاطر والدرابزين
يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
خارطة طريق التنفيذ
تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Feature Pyramid Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
شبكات المحولات المكانية
الأسئلة المتداولة
What is Feature Pyramid Networks?
تتيح الشبكات الهرمية المميزة (FPN) لأجهزة الكشف اكتشاف الكائنات بأحجام مختلفة تمامًا عن طريق بناء "هرم" متعدد المقاييس من الميزات بتكلفة زهيدة. إنها السبب وراء عثور أجهزة الكشف الحديثة على مشاة صغيرة بعيدة وشاحنة ضخمة قريبة في نفس الصورة.
ما هي المشكلة الأساسية التي تحلها الشبكة الهرمية المميزة في المقام الأول؟
تقوم FPN ببناء تمثيل ميزات متعدد المقاييس حتى يتمكن الكاشف من التعامل مع الكائنات التي تتراوح من صغيرة إلى كبيرة جدًا في مسار واحد.
في FPN، ما هو دور المسار من أعلى إلى أسفل؟
يقوم المسار من أعلى إلى أسفل بتجميع الميزات الدلالية العميقة ويدمجها مع خرائط سطحية وعالية الدقة بحيث يكون كل مستوى مفصلاً وقويًا من الناحية الدلالية.
كيف يتم عادةً دمج الاتصالات الجانبية مع الميزات التي تم تجميعها من الأعلى إلى الأسفل؟
يقوم الإلتواء 1×1 بضبط عدد القنوات لخريطة الميزات الجانبية، والتي تتم بعد ذلك إضافتها حسب العناصر إلى الميزة من أعلى إلى أسفل التي تم تكبيرها 2x.
لماذا يتم تطبيق التفاف 3x3 على كل خريطة ميزات مدمجة في FPN؟
بعد إضافة العناصر، يؤدي الالتواء 3×3 إلى تقليل التشويش الناتج عن عملية التقريب، مما يؤدي إلى إنتاج مستويات هرمية أكثر نظافة.
ما هي الهندسة المعمارية اللاحقة التي قامت بتوسيع FPN من خلال اندماج ثنائي الاتجاه قابل للتعلم؟
BiFPN، الذي تم تقديمه مع EfficientDet، يجعل دمج الميزات ثنائي الاتجاه ويتعلم الأوزان لمدى قوة مساهمة كل إدخال.