التاليالدليل التالي
شبكات المحولات المكانية
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
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.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
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.
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
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.
وضعها موضع التنفيذ
لماذا يهم
- 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.
احترس من
- 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.
الخطوات التالية
- 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
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Feature Pyramid Networks quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
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.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع