SelanjutnyaPanduan berikutnya
Jaringan Transformator Spasial
AI visual
PANDUAN AI Visual
Fitur Jaringan Piramida
Feature Pyramid Networks (FPN) memungkinkan detektor mendeteksi objek dengan ukuran yang sangat berbeda dengan membangun 'piramida' fitur multi-skala dengan biaya murah.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Inilah alasan detektor modern menemukan pejalan kaki kecil di kejauhan dan truk besar di dekatnya dalam gambar yang sama.
Menyelam Lebih Dalam
Objek dalam gambar muncul dalam berbagai skala, dan satu peta fitur kesulitan menangani semuanya. Pendekatan lama membangun piramida gambar dengan mengubah ukuran foto berkali-kali dan menjalankan jaringan pada setiap salinan, yang lambat. FPN, diperkenalkan oleh Lin dkk. pada tahun 2017, malah menggunakan kembali piramida alami yang sudah ada di dalam jaringan konvolusional. Tulang punggung seperti ResNet menghasilkan peta fitur yang menjadi lebih kecil dan semantik lebih dalam di jaringan. FPN menambahkan jalur top-down: FPN mengambil sampel fitur yang mendalam dan kaya secara semantik dan menggabungkannya melalui koneksi lateral dengan fitur resolusi tinggi yang dangkal. Hasilnya adalah serangkaian peta fitur yang kuat secara semantik namun tetap menjaga detail spasial yang baik, sehingga secara dramatis meningkatkan deteksi objek kecil hampir tanpa biaya tambahan.
Implementasi Dunia Nyata
Mendeteksi pejalan kaki kecil dan jauh serta kendaraan besar di dekatnya secara bersamaan dalam tumpukan persepsi mobil tanpa pengemudi
Mendukung segmentasi instance di Mask R-CNN, di mana FPN memasukkan fitur multi-skala ke proposal wilayah dan mask head
Menemukan tumor kecil di samping organ besar dalam saluran deteksi pencitraan medis
Menemukan objek dengan berbagai ukuran dalam citra satelit dan udara, mulai dari perahu kecil hingga bangunan besar
Masa Depan Jaringan Piramida Fitur
Desain top-down FPN telah melahirkan banyak penerus: PANet menambahkan jalur bottom-up, BiFPN (digunakan dalam EfficientDet) membuat fusi dapat dipelajari dan dua arah dengan koneksi berbobot, dan NAS-FPN mencari topologi fusi secara otomatis. Detektor transformator seperti DETR menghindari piramida eksplisit, tetapi fusi multiskala tetap menjadi pusat perhatian. Harapkan ide-ide gaya FPN untuk bertahan di dalam trafo penglihatan dan detektor pada perangkat yang efisien, semakin banyak dengan pembobotan skala adaptif yang dipelajari daripada koneksi tetap.
Mempraktikkannya
Mengapa itu penting
- Kecepatan dan skala. Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
- Pilihan Build. Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
- Tim dan alur kerja. Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Hati-hati
- Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
- Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
- Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.
Langkah selanjutnya
- Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
- Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
- Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
- Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Feature Pyramid Networks quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Jaringan Piramida Fitur?
Feature Pyramid Networks (FPN) memungkinkan detektor mendeteksi objek dengan ukuran yang sangat berbeda dengan membangun 'piramida' fitur multi-skala dengan biaya murah. Inilah alasan detektor modern menemukan pejalan kaki kecil di kejauhan dan truk besar di dekatnya dalam gambar yang sama.
Masalah inti apa yang terutama dipecahkan oleh Feature Pyramid Network?
FPN membangun representasi fitur multi-skala sehingga detektor dapat menangani objek mulai dari yang kecil hingga yang sangat besar dalam sekali lintasan.
Di FPN, apa peran jalur top-down?
Jalur top-down mengambil sampel fitur semantik yang dalam dan menggabungkannya dengan peta yang lebih dangkal dan beresolusi tinggi sehingga setiap level memiliki detail dan kuat secara semantik.
Bagaimana koneksi lateral biasanya digabungkan dengan fitur top-down yang disampel?
Konvolusi 1x1 menyesuaikan jumlah saluran dari peta fitur lateral, yang kemudian ditambahkan berdasarkan elemen ke fitur top-down sampel 2x-up.
Mengapa konvolusi 3x3 diterapkan pada setiap peta fitur yang digabungkan di FPN?
Setelah penambahan berdasarkan elemen, konvolusi 3x3 mengurangi artefak aliasing yang disebabkan oleh upsampling, sehingga menghasilkan tingkat piramida yang lebih bersih.
Arsitektur manakah yang kemudian memperluas FPN dengan fusi dua arah berbobot yang dapat dipelajari?
BiFPN, yang diperkenalkan dengan EfficientDet, menjadikan fusi fitur dua arah dan mempelajari bobot seberapa besar kontribusi setiap input.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini