คู่มือ AI แบบเห็นภาพ
นำเสนอเครือข่ายพีระมิด
Feature Pyramid Networks (FPN) ช่วยให้เครื่องตรวจจับตรวจพบวัตถุในขนาดที่แตกต่างกันอย่างมากโดยการสร้างคุณสมบัติ 'ปิรามิด' หลายขนาดในราคาถูก
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
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
การใช้งานจริงในโลกแห่งความเป็นจริง
ตรวจจับคนเดินถนนขนาดเล็กที่อยู่ห่างไกลและยานพาหนะขนาดใหญ่ในบริเวณใกล้เคียงพร้อมกันในการรับรู้ของรถยนต์ที่ขับเคลื่อนด้วยตนเอง
ขับเคลื่อนการแบ่งส่วนอินสแตนซ์ใน Mask R-CNN โดยที่ FPN ป้อนฟีเจอร์หลายขนาดให้กับข้อเสนอภูมิภาคและ Mask Head
การตรวจพบเนื้องอกขนาดเล็กข้างอวัยวะขนาดใหญ่ในท่อตรวจจับด้วยภาพทางการแพทย์
ค้นหาวัตถุที่มีขนาดแตกต่างกันในภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ ตั้งแต่เรือลำเล็กไปจนถึงอาคารขนาดใหญ่
อนาคตของฟีเจอร์เครือข่ายพีระมิด
การออกแบบจากบนลงล่างของ FPN ได้สร้างผู้สืบทอดจำนวนมาก: PANet เพิ่มเส้นทางจากล่างขึ้นบน, BiFPN (ใช้ใน EfficientDet) ทำให้สามารถเรียนรู้ฟิวชั่นและแบบสองทิศทางด้วยการเชื่อมต่อแบบถ่วงน้ำหนัก และ NAS-FPN ค้นหาโทโพโลยีฟิวชันโดยอัตโนมัติ เครื่องตรวจจับหม้อแปลงไฟฟ้าเช่น DETR ก้าวเท้าเลี่ยงปิรามิดอย่างชัดเจน แต่ฟิวชันหลายสเกลยังคงเป็นศูนย์กลาง คาดว่าแนวคิดสไตล์ FPN จะยังคงอยู่ในวิชันทรานส์ฟอร์มเมอร์และเครื่องตรวจจับบนอุปกรณ์ที่มีประสิทธิภาพ โดยเพิ่มมากขึ้นด้วยการเรียนรู้การชั่งน้ำหนักแบบปรับเปลี่ยนได้ แทนที่จะเป็นการเชื่อมต่อแบบตายตัว
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Feature Pyramid Networks quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
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
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้