VolgendeVolgende gids
Ruimtelijke Transformatornetwerken
Visuele AI
Visuele AI-GIDS
Feature Pyramid Networks (FPN) laten detectoren objecten met enorm verschillende afmetingen detecteren door goedkoop een meerschalige 'piramide' van functies te bouwen.
Luister naar deze gidsAI-verteld · ~2 min
They are the reason modern detectors find both a tiny faraway pedestrian and a huge nearby truck in the same image.
Objecten in afbeeldingen verschijnen op vele schalen, en een enkele feature map heeft moeite om ze allemaal te verwerken. Oudere benaderingen bouwden beeldpiramides door de grootte van de foto vele malen aan te passen en het netwerk op elke kopie te laten draaien, wat traag was. FPN, geïntroduceerd door Lin et al. in 2017 hergebruikt het in plaats daarvan de natuurlijke piramide die al binnen een convolutioneel netwerk aanwezig was. Een backbone als ResNet produceert functiekaarten die dieper in het netwerk kleiner en semantischer worden. FPN voegt een top-down-pad toe: het upsampelt diepe, semantisch rijke functies en voegt deze via laterale verbindingen samen met ondiepe functies met hoge resolutie. Het resultaat is een reeks feature maps die allemaal semantisch sterk zijn en toch fijne ruimtelijke details behouden, waardoor de detectie van kleine objecten dramatisch wordt verbeterd, vrijwel zonder extra kosten.
Het tegelijkertijd detecteren van kleine voetgangers op afstand en grote voertuigen in de buurt in perceptiestapels voor zelfrijdende auto's
Mogelijkheid tot segmentatie van instanties in Mask R-CNN, waarbij FPN functies op meerdere schalen toevoegt aan het regiovoorstel en maskerhoofden
Kleine tumoren naast grote organen spotten in detectiepijplijnen voor medische beeldvorming
Objecten van verschillende grootte vinden in satelliet- en luchtbeelden, van kleine boten tot grote gebouwen
Het top-down ontwerp van FPN heeft vele opvolgers voortgebracht: PANet voegt een bottom-up pad toe, BiFPN (gebruikt in EfficientDet) maakt fusie leerbaar en bidirectioneel met gewogen verbindingen, en NAS-FPN zoekt automatisch naar de fusietopologie. Transformatordetectoren zoals DETR omzeilen expliciete piramides, maar fusie op meerdere schaal blijft centraal staan. Verwacht dat FPN-achtige ideeën zullen blijven bestaan in zichttransformatoren en efficiënte detectoren op apparaten, steeds vaker met aangeleerde, adaptieve schaalweging in plaats van vaste verbindingen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Feature Pyramid Networks (FPN) laten detectoren objecten met enorm verschillende afmetingen detecteren door goedkoop een meerschalige 'piramide' van functies te bouwen. Dit is de reden dat moderne detectoren zowel een kleine voetganger verderop als een grote vrachtwagen in de buurt in hetzelfde beeld vinden.
FPN bouwt een functierepresentatie op meerdere schaal, zodat een detector objecten van klein tot zeer groot in één keer kan verwerken.
Het top-down traject upsampelt diepe, semantische kenmerken en voegt deze samen met ondiepere kaarten met hoge resolutie, zodat elk niveau zowel gedetailleerd als semantisch sterk is.
Een 1x1-convolutie past het aantal kanalen van de laterale featuremap aan, die vervolgens elementsgewijs wordt toegevoegd aan de 2x-geüpsampelde top-down feature.
Na elementgewijze toevoeging vermindert een 3x3-convolutie de aliasingartefacten die worden geïntroduceerd door upsampling, waardoor schonere piramideniveaus worden geproduceerd.
BiFPN, geïntroduceerd met EfficientDet, maakt functiefusie bidirectioneel en leert gewichten voor hoe sterk elke invoer bijdraagt.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Ruimtelijke Transformatornetwerken
Visuele AI