นำเสนอเครือข่ายพีระมิด
Feature Pyramid Networks (FPN) ช่วยให้เครื่องตรวจจับตรวจพบวัตถุในขนาดที่แตกต่างกันอย่างมากโดยการสร้างคุณสมบัติ 'ปิรามิด' หลายขนาดในราคาถูก
ภาพรวม
They are the reason modern detectors find both a tiny faraway pedestrian and a huge nearby truck in the same image.
เจาะลึก
วัตถุในภาพปรากฏขึ้นหลายระดับ และฟีเจอร์แมปเดียวก็ประสบปัญหาในการจัดการทั้งหมด แนวทางเก่าๆ ได้สร้างปิรามิดรูปภาพโดยการปรับขนาดรูปภาพหลายๆ ครั้งและรันเครือข่ายในแต่ละสำเนา ซึ่งช้า FPN แนะนำโดย Lin และคณะ ในปี 2560 แทนที่จะนำปิรามิดธรรมชาติที่อยู่ในเครือข่ายแบบหมุนวนกลับมาใช้ใหม่ แกนหลักเช่น ResNet สร้างแผนที่คุณลักษณะที่เล็กลงและมีความหมายลึกซึ้งยิ่งขึ้นในเครือข่าย FPN เพิ่มเส้นทางจากบนลงล่าง: โดยจะสุ่มตัวอย่างคุณสมบัติที่ลึกซึ้งและมีความหมายและผสานเข้าด้วยกันผ่านการเชื่อมต่อด้านข้างด้วยคุณสมบัติที่ตื้นและมีความละเอียดสูง ผลลัพธ์ที่ได้คือชุดแผนผังคุณลักษณะที่มีความหมายชัดเจนแต่ยังคงรายละเอียดเชิงพื้นที่ไว้เป็นอย่างดี ปรับปรุงการตรวจจับวัตถุขนาดเล็กได้อย่างมากโดยแทบไม่ต้องเสียค่าใช้จ่ายเพิ่มเติม
ข้อมูลเชิงลึกทางเทคนิค
FPN มีทางเดินจากล่างขึ้นบน (แกนหลัก) และทางเดินจากบนลงล่าง แต่ละระดับจากบนลงล่างจะถูกอัปแซมด้วย 2x (เพื่อนบ้านที่ใกล้ที่สุด) และเพิ่มองค์ประกอบที่ชาญฉลาดลงในแผนผังคุณสมบัติด้านข้างแบบขด 1x1 ของความละเอียดที่ตรงกัน จากนั้นการบิดขนาด 3x3 จะทำให้แต่ละแผนที่ที่ผสานเรียบขึ้นเพื่อลดรอยนามแฝง ซึ่งสร้างระดับ P2-P5 โดยมีจำนวนช่องสัญญาณคงที่ (มักเป็น 256) ซึ่งแต่ละระดับมอบหมายให้ตรวจจับวัตถุในช่วงขนาดเฉพาะ
ผลกระทบเชิงกลยุทธ์
ความเร็วและขนาด
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
สร้างทางเลือก
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
ทีมงานและขั้นตอนการทำงาน
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
อนาคตของฟีเจอร์เครือข่ายพีระมิด
การออกแบบจากบนลงล่างของ FPN ได้สร้างผู้สืบทอดจำนวนมาก: PANet เพิ่มเส้นทางจากล่างขึ้นบน, BiFPN (ใช้ใน EfficientDet) ทำให้สามารถเรียนรู้ฟิวชั่นและแบบสองทิศทางด้วยการเชื่อมต่อแบบถ่วงน้ำหนัก และ NAS-FPN ค้นหาโทโพโลยีฟิวชันโดยอัตโนมัติ เครื่องตรวจจับหม้อแปลงไฟฟ้าเช่น DETR ก้าวเท้าเลี่ยงปิรามิดอย่างชัดเจน แต่ฟิวชันหลายสเกลยังคงเป็นศูนย์กลาง คาดว่าแนวคิดสไตล์ FPN จะยังคงอยู่ในวิชันทรานส์ฟอร์มเมอร์และเครื่องตรวจจับบนอุปกรณ์ที่มีประสิทธิภาพ โดยเพิ่มมากขึ้นด้วยการเรียนรู้การชั่งน้ำหนักแบบปรับเปลี่ยนได้ แทนที่จะเป็นการเชื่อมต่อแบบตายตัว
การใช้งานจริงในโลกแห่งความเป็นจริง
ตรวจจับคนเดินถนนขนาดเล็กที่อยู่ห่างไกลและยานพาหนะขนาดใหญ่ในบริเวณใกล้เคียงพร้อมกันในการรับรู้ของรถยนต์ที่ขับเคลื่อนด้วยตนเอง
ขับเคลื่อนการแบ่งส่วนอินสแตนซ์ใน Mask R-CNN โดยที่ FPN ป้อนฟีเจอร์หลายขนาดให้กับข้อเสนอภูมิภาคและ Mask Head
การตรวจพบเนื้องอกขนาดเล็กข้างอวัยวะขนาดใหญ่ในท่อตรวจจับด้วยภาพทางการแพทย์
ค้นหาวัตถุที่มีขนาดแตกต่างกันในภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ ตั้งแต่เรือลำเล็กไปจนถึงอาคารขนาดใหญ่
ความเสี่ยงและรั้ว
สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
แผนงานการดำเนินงาน
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Feature Pyramid Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
คำแนะนำต่อไป
เครือข่ายหม้อแปลงเชิงพื้นที่
คำถามที่พบบ่อย
What is Feature Pyramid Networks?
Feature Pyramid Networks (FPN) ช่วยให้เครื่องตรวจจับตรวจพบวัตถุในขนาดที่แตกต่างกันอย่างมากโดยการสร้างคุณสมบัติ 'ปิรามิด' หลายขนาดในราคาถูก นี่เป็นเหตุผลที่เครื่องตรวจจับสมัยใหม่ค้นพบทั้งคนเดินถนนตัวเล็ก ๆ ที่อยู่ห่างไกลและรถบรรทุกขนาดใหญ่ในบริเวณใกล้เคียงในภาพเดียวกัน
Feature Pyramid Network แก้ไขปัญหาหลักอะไรเป็นหลัก
FPN สร้างการแสดงคุณสมบัติหลายระดับเพื่อให้เครื่องตรวจจับสามารถจัดการกับวัตถุตั้งแต่เล็กไปจนถึงใหญ่มากในการผ่านครั้งเดียว
ใน FPN บทบาทของเส้นทางจากบนลงล่างคืออะไร?
เส้นทางจากบนลงล่างจะยกระดับตัวอย่างคุณลักษณะเชิงความหมายเชิงลึก และผสานเข้ากับแผนที่ที่มีความละเอียดสูงและตื้นกว่า ดังนั้นทุกระดับจึงมีทั้งรายละเอียดและความหมายที่แข็งแกร่ง
โดยทั่วไปการเชื่อมต่อด้านข้างจะรวมเข้ากับฟีเจอร์จากบนลงล่างที่สุ่มตัวอย่างอย่างไร
การบิดแบบ 1x1 จะปรับจำนวนช่องของแผนผังฟีเจอร์ด้านข้าง ซึ่งจากนั้นจะถูกเพิ่มตามองค์ประกอบลงในฟีเจอร์จากบนลงล่างที่อัปแซมเพิล 2x
เหตุใดจึงใช้การบิดแบบ 3x3 กับแผนผังคุณลักษณะที่ผสานแต่ละอันใน FPN
หลังจากการบวกองค์ประกอบอย่างชาญฉลาด การบิดแบบ 3x3 จะลดส่วนนามแฝงที่เกิดจากอัปแซมปลิง ทำให้เกิดระดับปิรามิดที่สะอาดขึ้น
สถาปัตยกรรมใดในภายหลังที่ขยาย FPN ด้วยการผสมผสานแบบสองทิศทางแบบถ่วงน้ำหนักที่เรียนรู้ได้
BiFPN ซึ่งเปิดตัวพร้อมกับ EfficientDet ทำให้ฟีเจอร์ฟิวชั่นแบบสองทิศทางและเรียนรู้น้ำหนักว่าแต่ละอินพุตมีส่วนช่วยมากน้อยเพียงใด