СледваСледващо ръководство
Пространствени трансформаторни мрежи
Визуален AI
РЪКОВОДСТВО за визуален AI
Представете пирамидални мрежи
Функционалните пирамидни мрежи (FPN) позволяват на детекторите да забелязват обекти с изключително различни размери, като изграждат евтино многомащабна „пирамида“ от функции.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Те са причината съвременните детектори да откриват както малък далечен пешеходец, така и огромен близък камион на едно и също изображение.
Дълбоко гмуркане
Обектите в изображенията се появяват в много мащаби и една карта на характеристики се бори да се справи с всички тях. По-старите подходи изградиха пирамиди с изображения чрез преоразмеряване на снимката много пъти и стартиране на мрежата на всяко копие, което беше бавно. FPN, въведен от Lin et al. през 2017 г., вместо това използва повторно естествената пирамида, която вече е в конволюционна мрежа. Гръбнак като ResNet създава карти на функции, които стават по-малки и по-семантични по-дълбоко в мрежата. FPN добавя път отгоре надолу: той увеличава дълбоките, семантично богати функции и ги обединява чрез странични връзки с плитки функции с висока разделителна способност. Резултатът е набор от карти на функции, които са семантично силни, но запазват фини пространствени детайли, драматично подобрявайки откриването на малки обекти почти без допълнителни разходи.
Внедряване в реалния свят
Откриване на малки, далечни пешеходци и големи близки превозни средства едновременно в стекове за възприемане на самоуправляващи се автомобили
Захранване на сегментиране на екземпляри в Mask R-CNN, където FPN захранва многомащабни характеристики към предложението за регион и главите на маската
Откриване на малки тумори заедно с големи органи в тръбопроводи за откриване на медицински изображения
Намиране на обекти с различни размери в сателитни и въздушни изображения, от малки лодки до големи сгради
Бъдещето на функционалните пирамидални мрежи
Дизайнът отгоре надолу на FPN създаде много наследници: PANet добавя път отдолу нагоре, BiFPN (използван в EfficientDet) прави синтеза обучаем и двупосочен с претеглени връзки, а NAS-FPN търси топологията на синтез автоматично. Трансформаторни детектори като DETR заобикалят явните пирамиди, но многомащабният синтез остава централен. Очаквайте идеите в стил FPN да продължат да съществуват във визуалните трансформатори и ефективните детектори на устройството, все повече с научено, адаптивно претегляне на мащаба, а не с фиксирани връзки.
Прилагайки го на практика
Защо има значение
- Скорост и мащаб. Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
- Избор на билдове. Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
- Екип и работен процес. Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Внимавайте за
- Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
- Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
- Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Следващи стъпки
- Определете критерии за приемане за прецизност, извикване и разходи за грешки.
- Тествайте с данни, които съответстват на реалните производствени условия.
- Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
- Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Feature Pyramid Networks quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво е Feature Pyramid Networks?
Функционалните пирамидни мрежи (FPN) позволяват на детекторите да забелязват обекти с изключително различни размери, като изграждат евтино многомащабна „пирамида“ от функции. Те са причината съвременните детектори да откриват както малък далечен пешеходец, така и огромен близък камион на едно и също изображение.
Какъв основен проблем решава основно мрежата с пирамида на функции?
FPN изгражда многомащабно представяне на функции, така че детекторът да може да обработва обекти, вариращи от малки до много големи, с едно преминаване.
При FPN каква е ролята на пътя отгоре надолу?
Пътят отгоре надолу увеличава семплирането на дълбоки, семантични характеристики и ги обединява с по-плитки карти с висока разделителна способност, така че всяко ниво е едновременно подробно и семантично силно.
Как обикновено се комбинират страничните връзки с функциите отгоре-надолу с повишена дискретизация?
Конволюцията 1x1 коригира броя на каналите на картата на страничните характеристики, която след това се добавя по елементи към функцията с 2x повишена дискретизация отгоре надолу.
Защо се прилага намотка 3x3 към всяка обединена карта на функции във FPN?
След добавяне по елементи, намотка 3x3 намалява артефактите на псевдонимите, въведени от повишаване на дискретизацията, създавайки по-чисти пирамидални нива.
Коя по-късна архитектура разшири FPN с обучимо, претеглено двупосочно сливане?
BiFPN, въведен с EfficientDet, прави комбинирането на функции двупосочно и научава тежести за това колко силно допринася всеки вход.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема