개요
이것이 현대 탐지기가 동일한 이미지에서 멀리 있는 작은 보행자와 근처의 거대한 트럭을 모두 찾는 이유입니다.
심층 분석
이미지의 개체는 다양한 규모로 나타나며 단일 기능 맵으로는 모든 개체를 처리하기가 어렵습니다. 이전 접근 방식에서는 사진 크기를 여러 번 조정하고 각 복사본에 대해 네트워크를 실행하여 이미지 피라미드를 구축했는데 속도가 느렸습니다. Lin 등이 소개한 FPN. 2017년에는 대신 컨볼루셔널 네트워크 내에 이미 있는 자연 피라미드를 재사용합니다. ResNet과 같은 백본은 네트워크에서 더 작고 의미론적으로 더 깊은 기능 맵을 생성합니다. FPN은 하향식 경로를 추가합니다. 즉, 의미론적으로 풍부한 기능을 업샘플링하고 측면 연결을 통해 얕은 고해상도 기능과 병합합니다. 그 결과 의미론적으로 강력하면서도 미세한 공간적 세부 정보를 유지하여 거의 추가 비용 없이 작은 객체 감지를 극적으로 향상시키는 기능 맵 세트가 탄생했습니다.
실제 구현
자율주행차 인식 스택에서 작고 멀리 있는 보행자와 근처의 대형 차량을 동시에 감지
FPN이 지역 제안 및 마스크 헤드에 다중 규모 기능을 제공하는 Mask R-CNN의 인스턴스 분할 지원
의료 영상 감지 파이프라인에서 큰 장기 옆에 있는 작은 종양 발견
소형 보트부터 대형 건물까지 위성 및 항공 이미지에서 다양한 크기의 물체 찾기
피처 피라미드 네트워크의 미래
FPN의 하향식 설계는 많은 후속 설계를 탄생시켰습니다. PANet은 상향식 경로를 추가하고 BiFPN(EfficientDet에서 사용됨)은 가중치 연결을 통해 융합을 학습 가능하고 양방향으로 만들고 NAS-FPN은 자동으로 융합 토폴로지를 검색합니다. DETR과 같은 변압기 감지기는 명시적인 피라미드를 회피하지만 다중 규모 융합은 여전히 핵심입니다. 고정 연결보다는 학습된 적응형 스케일 가중치를 통해 FPN 스타일 아이디어가 비전 변환기 및 효율적인 장치 내 감지기 내부에서 지속될 것으로 기대합니다.
실천에 옮기기
왜 중요한가요?
- 속도와 규모. Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
- 빌드 선택. 크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
- 팀과 워크플로우. 이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
조심하세요
- 출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
- 모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
- 신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
다음 단계
- 정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
- 실제 생산 조건과 일치하는 데이터로 테스트합니다.
- 신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
- 모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Feature Pyramid Networks quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
피처 피라미드 네트워크란 무엇입니까?
FPN(Feature Pyramid Network)을 사용하면 감지기가 기능의 다중 규모 '피라미드'를 저렴하게 구축하여 매우 다양한 크기의 개체를 발견할 수 있습니다. 이것이 현대 탐지기가 동일한 이미지에서 멀리 있는 작은 보행자와 근처의 거대한 트럭을 모두 찾는 이유입니다.
Feature Pyramid Network는 주로 어떤 핵심 문제를 해결합니까?
FPN은 다중 스케일 특징 표현을 구축하므로 감지기가 단일 패스로 작은 것부터 매우 큰 물체까지 처리할 수 있습니다.
FPN에서 하향식 경로의 역할은 무엇입니까?
하향식 경로는 깊고 의미론적인 특징을 업샘플링하고 이를 더 얕은 고해상도 맵과 병합하므로 모든 레벨이 상세하고 의미론적으로 강력합니다.
측면 연결은 일반적으로 업샘플링된 하향식 기능과 어떻게 결합됩니까?
1x1 컨볼루션은 측면 기능 맵의 채널 수를 조정한 다음 2x 업샘플링된 하향식 기능에 요소별로 추가됩니다.
FPN에서 병합된 각 기능 맵에 3x3 컨볼루션이 적용되는 이유는 무엇입니까?
요소별 추가 후 3x3 컨볼루션은 업샘플링으로 인해 발생하는 앨리어싱 아티팩트를 줄여 더 깔끔한 피라미드 레벨을 생성합니다.
학습 가능하고 가중치가 부여된 양방향 융합으로 FPN을 확장한 최신 아키텍처는 무엇입니까?
EfficientDet에 도입된 BiFPN은 기능 융합을 양방향으로 만들고 각 입력이 얼마나 강하게 기여하는지에 대한 가중치를 학습합니다.