A seguirPróximo guia
Redes de Transformadores Espaciais
IA visual
GUIA visual de IA
Redes de pirâmide de recursos
As Redes de Pirâmide de Recursos (FPN) permitem que os detectores identifiquem objetos em tamanhos totalmente diferentes, construindo uma 'pirâmide' de recursos em várias escalas de maneira barata.
Ouça este guiaNarrado por IA · ~2 min
Nesta página2 minutos de leitura
Visão geral
They are the reason modern detectors find both a tiny faraway pedestrian and a huge nearby truck in the same image.
Mergulho profundo
Os objetos nas imagens aparecem em muitas escalas, e um único mapa de recursos tem dificuldade para lidar com todos eles. As abordagens mais antigas construíam pirâmides de imagens redimensionando a foto muitas vezes e executando a rede em cada cópia, o que era lento. FPN, introduzido por Lin et al. em 2017, reutiliza a pirâmide natural já dentro de uma rede convolucional. Um backbone como o ResNet produz mapas de recursos que ficam menores e mais semânticos na rede. FPN adiciona um caminho de cima para baixo: ele amplia recursos profundos e semanticamente ricos e os mescla por meio de conexões laterais com recursos superficiais e de alta resolução. O resultado é um conjunto de mapas de recursos que são todos semanticamente fortes, mas que mantêm detalhes espaciais precisos, melhorando drasticamente a detecção de objetos pequenos quase sem nenhum custo extra.
Implementação no mundo real
Detectando pedestres pequenos e distantes e grandes veículos próximos simultaneamente em pilhas de percepção de carros autônomos
Potencializando a segmentação de instâncias no Mask R-CNN, onde FPN alimenta recursos multiescala para a proposta de região e mascara cabeças
Detectando pequenos tumores ao lado de grandes órgãos em pipelines de detecção de imagens médicas
Encontrar objetos de tamanhos variados em imagens aéreas e de satélite, desde pequenos barcos até grandes edifícios
O futuro das redes de pirâmide de recursos
O design de cima para baixo do FPN gerou muitos sucessores: PANet adiciona um caminho de baixo para cima, BiFPN (usado em EfficientDet) torna a fusão aprendível e bidirecional com conexões ponderadas, e NAS-FPN procura a topologia de fusão automaticamente. Detectores de transformadores como o DETR evitam pirâmides explícitas, mas a fusão em várias escalas permanece central. Espere que ideias no estilo FPN persistam dentro de transformadores de visão e detectores eficientes no dispositivo, cada vez mais com ponderação de escala adaptável e aprendida, em vez de conexões fixas.
Colocando em prática
Por que isso importa
- Velocidade e escala. A IA visual pode automatizar tarefas de inspeção, detecção e marcação em grande escala.
- Escolhas de construção. As equipes criativas podem criar protótipos de conceitos mais rapidamente e com menos revisões manuais.
- Equipe e fluxo de trabalho. As operações podem usar sinais de imagem e vídeo que antes eram difíceis de processar.
Cuidado com
- Os direitos de imagem e o consentimento podem tornar-se riscos legais se a proveniência não for clara.
- O desempenho do modelo pode variar dependendo da iluminação, dados demográficos e ambientes.
- Os falsos positivos podem passar despercebidos, a menos que os limites de confiança sejam monitorados.
Próximas etapas
- Defina critérios de aceitação para precisão, recall e custos de erro.
- Teste com dados que correspondam às condições reais de produção.
- Adicione revisão humana para previsões de baixa confiança ou de alto impacto.
- Rastreie o desvio do modelo e revalide após alterações na câmera ou no conjunto de dados.
Continue explorando
Boletim informativo gratuito
Receba o resumo diário de IA
Três histórias verificadas de IA a cada manhã de dia útil, escritas em linguagem simples. Gratuito para sempre, sem anúncios.
Um e-mail a cada dia útil. Cancele a inscrição com um clique. Nunca vendemos ou compartilhamos seu endereço.
Teste você mesmo
Take the Feature Pyramid Networks quiz
Feedback instantâneo sobre cada resposta e um certificado compartilhável com um ID verificável assim que você concluir um curso.
Apoie a educação gratuita em IA. O AI Understanding é uma organização sem fins lucrativos 501(c)(3) — sem anúncios, sem paywall, nunca. Faça uma doação
Perguntas frequentes
What is Feature Pyramid Networks?
As Redes de Pirâmide de Recursos (FPN) permitem que os detectores identifiquem objetos em tamanhos totalmente diferentes, construindo uma 'pirâmide' de recursos em várias escalas de maneira barata. Eles são a razão pela qual os detectores modernos encontram na mesma imagem um pequeno pedestre distante e um enorme caminhão próximo.
Qual problema central uma rede em pirâmide de recursos resolve principalmente?
O FPN constrói uma representação de recursos em várias escalas para que um detector possa lidar com objetos que variam de pequenos a muito grandes em uma única passagem.
Na FPN, qual é o papel do caminho descendente?
O caminho de cima para baixo amplia recursos semânticos profundos e os mescla com mapas mais superficiais e de alta resolução para que cada nível seja detalhado e semanticamente forte.
Como as conexões laterais são normalmente combinadas com os recursos de cima para baixo com amostragem aumentada?
Uma convolução 1x1 ajusta a contagem de canais do mapa de recursos laterais, que é então adicionado elemento a elemento ao recurso de cima para baixo com amostragem aumentada 2x.
Por que uma convolução 3x3 é aplicada a cada mapa de recursos mesclado no FPN?
Após a adição elemento a elemento, uma convolução 3x3 reduz os artefatos de alias introduzidos pelo aumento da resolução, produzindo níveis de pirâmide mais limpos.
Qual arquitetura posterior estendeu a FPN com fusão bidirecional ponderada e que pode ser aprendida?
BiFPN, introduzido com EfficientDet, torna a fusão de recursos bidirecional e aprende pesos para a intensidade com que cada entrada contribui.
Continue aprendendo
Guias relacionados
Mais guias escolhidos para este tópico