Vizuális MI ÚTMUTATÓ

Piramishálózatok szolgáltatás

A Feature Pyramid Networks (FPN) lehetővé teszi a detektorok számára, hogy vadul különböző méretű objektumokat észleljenek azáltal, hogy olcsón építenek többléptékű „piramist” a szolgáltatásokból.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A jellemzőpiramishálózatok jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Ez az oka annak, hogy a modern detektorok egy apró távoli gyalogost és egy hatalmas közeli teherautót is találnak ugyanazon a képen.

Mély merülés

A képeken lévő objektumok sok léptékben jelennek meg, és egyetlen jellemző térkép nehezen tudja kezelni mindegyiket. A régebbi megközelítések képpiramisokat építettek úgy, hogy sokszor átméretezték a fotót, és minden példányon futtatták a hálózatot, ami lassú volt. FPN, amelyet Lin és munkatársai vezettek be. 2017-ben ehelyett a természetes piramist már egy konvolúciós hálózaton belül újra felhasználja. Az olyan gerinchálózat, mint a ResNet, olyan jellemzőtérképeket állít elő, amelyek kisebbek és szemantikusabbak a hálózat mélyén. Az FPN felülről lefelé haladó útvonalat ad hozzá: felmintázza a mély, szemantikailag gazdag jellemzőket, és oldalirányú kapcsolatokon keresztül egyesíti őket sekély, nagy felbontású jellemzőkkel. Az eredmény olyan jellemzőtérképek sorozata, amelyek szemantikailag erősek, de megőrzik a finom térbeli részleteket, drámaian javítva a kis objektumok észlelését szinte többletköltség nélkül.

Valós megvalósítás

Kis, távoli gyalogosok és nagy közeli járművek egyidejű észlelése az önvezető autók érzékelésénél

Példányszegmentálás az R-CNN maszkban, ahol az FPN többléptékű jellemzőket táplál a régiójavaslathoz és a maszkfejekhez

Apró daganatok észlelése nagy szervek mellett az orvosi képalkotó észlelési csővezetékekben

Változó méretű objektumok megtalálása műhold- és légifelvételeken, a kis csónakoktól a nagy épületekig

A jellemzőpiramishálózatok jövője

Az FPN felülről lefelé irányuló kialakítása számos utódot szült: a PANet alulról felfelé haladó útvonalat ad hozzá, a BiFPN (az EfficientDetben használatos) a fúziót tanulhatóvá és kétirányúvá teszi súlyozott kapcsolatokkal, a NAS-FPN pedig automatikusan megkeresi a fúziós topológiát. A transzformátordetektorok, mint a DETR, explicit piramisokat léptetnek, de a többléptékű fúzió továbbra is központi szerepet játszik. Várható, hogy az FPN-stílusú ötletek megmaradnak a látótranszformátorokon és a hatékony eszközön lévő detektorokon belül, egyre inkább tanult, adaptív skálasúlyozással, nem pedig rögzített csatlakozásokkal.

A gyakorlatba ültetés

Miért számít

  • Sebesség és méretarány. A vizuális AI képes automatizálni az ellenőrzési, észlelési és címkézési feladatokat nagy léptékben.
  • Építési lehetőségek. A kreatív csapatok gyorsabban prototípusokat készíthetnek a koncepciókból, kevesebb kézi átdolgozással.
  • Csapat és munkafolyamat. A műveletek olyan kép- és videojeleket használhatnak, amelyeket korábban nehéz volt feldolgozni.

Vigyázz

  • A képhez fűződő jogok és a beleegyezés jogi kockázatot jelenthet, ha a származás nem egyértelmű.
  • A modell teljesítménye a világítástól, a demográfiai adatoktól és a környezettől függően változhat.
  • A hamis pozitívumok észrevétlenek maradhatnak, hacsak nem figyelik a megbízhatósági küszöböket.

Következő lépések

  1. Határozza meg a pontosság, a visszahívás és a hibaköltségek elfogadási kritériumait.
  2. Tesztelje a valós gyártási feltételeknek megfelelő adatokkal.
  3. Adjon hozzá emberi felülvizsgálatot az alacsony megbízhatóságú vagy nagy hatású előrejelzésekhez.
  4. A modell elsodródásának nyomon követése és újbóli érvényesítése a kamera vagy az adatkészlet módosítása után.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Feature Pyramid Networks quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a Feature Pyramid Networks?

A Feature Pyramid Networks (FPN) lehetővé teszi a detektorok számára, hogy vadul különböző méretű objektumokat észleljenek azáltal, hogy olcsón építenek többléptékű „piramist” a szolgáltatásokból. Ez az oka annak, hogy a modern detektorok egy apró távoli gyalogost és egy hatalmas közeli teherautót is találnak ugyanazon a képen.

Milyen alapvető problémát old meg elsősorban a Feature Pyramid Network?

Az FPN többléptékű jellemzőábrázolást hoz létre, így az érzékelő egyetlen lépésben képes kezelni az aprótól a nagyon nagyig terjedő objektumokat.

Mi a szerepe az FPN-ben a felülről lefelé irányuló útvonalnak?

A felülről lefelé haladó útvonal mély, szemantikai jellemzőket vesz fel, és egyesíti azokat sekélyebb, nagy felbontású térképekkel, így minden szint részletes és szemantikailag erős.

Hogyan kombinálják az oldalsó csatlakozásokat a felülről lefelé mintavételezett jellemzőkkel?

Az 1x1-es konvolúció beállítja az oldalsó jellemzőtérkép csatornaszámát, amely aztán elemenként hozzáadódik a 2x-es mintavételezésű felülről lefelé irányuló jellemzőhöz.

Miért alkalmaznak 3x3-as konvolúciót az FPN-ben minden egyesített tereptérképre?

Az elemenkénti hozzáadást követően egy 3x3-as konvolúció csökkenti az újramintavételezéssel bevezetett aliasing műtermékeket, tisztább piramisszinteket eredményezve.

Melyik későbbi architektúra bővítette ki az FPN-t tanulható, súlyozott kétirányú fúzióval?

Az EfficientDet-tel bevezetett BiFPN kétirányúvá teszi a funkciófúziót, és megtanulja az egyes bemenetek hozzájárulásának súlyozását.