Özellik Piramit Ağları
Özellik Piramidi Ağları (FPN), ucuz bir şekilde çok ölçekli özellikler 'piramidi' oluşturarak dedektörlerin son derece farklı boyutlardaki nesneleri tespit etmesine olanak tanır.
Genel Bakış
They are the reason modern detectors find both a tiny faraway pedestrian and a huge nearby truck in the same image.
Derin Dalış
Görüntülerdeki nesneler birçok ölçekte görünür ve tek bir özellik haritası bunların hepsini idare etmekte zorlanır. Daha eski yaklaşımlar, fotoğrafı birçok kez yeniden boyutlandırarak ve ağı her kopya üzerinde çalıştırarak görüntü piramitleri inşa ediyordu ki bu da yavaştı. Lin ve arkadaşları tarafından tanıtılan FPN. 2017'de bunun yerine, halihazırda evrişimli bir ağın içinde bulunan doğal piramidi yeniden kullanıyor. ResNet gibi bir omurga, ağda daha küçük ve anlamsal olarak daha derin hale gelen özellik haritaları üretir. FPN, yukarıdan aşağıya bir yol ekler: derin, anlamsal olarak zengin özellikleri üst örneklere alır ve bunları yanal bağlantılar yoluyla sığ, yüksek çözünürlüklü özelliklerle birleştirir. Sonuç olarak, tamamı semantik olarak güçlü olan ancak ince mekansal ayrıntıları koruyan ve neredeyse hiçbir ekstra maliyet olmaksızın küçük nesnelerin tespitini önemli ölçüde iyileştiren bir dizi özellik haritası ortaya çıkar.
Teknik Bilgi
FPN'nin aşağıdan yukarıya bir yolu (omurga) ve yukarıdan aşağıya bir yolu vardır. Her yukarıdan aşağıya seviye 2x (en yakın komşu) ile üst örneklenir ve eşleşen çözünürlüğün 1x1 evrişimli yan özellik haritasına öğe bazında eklenir. Daha sonra 3x3'lük bir evrişim, takma adı azaltmak için birleştirilmiş her haritayı düzgünleştirir. Bu, her biri belirli bir ölçek aralığındaki nesneleri tespit etmekle görevli, sabit kanal sayısına (genellikle 256) sahip P2-P5 seviyelerini üretir.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Özellikli Piramit Ağların Geleceği
FPN'nin yukarıdan aşağıya tasarımı birçok ardılı ortaya çıkardı: PANet aşağıdan yukarıya bir yol ekler, BiFPN (EfficientDet'te kullanılır), ağırlıklı bağlantılarla füzyonu öğrenilebilir ve çift yönlü hale getirir ve NAS-FPN, füzyon topolojisini otomatik olarak arar. DETR gibi transformatör dedektörleri açık piramitlerden kaçıyor ancak çok ölçekli füzyon merkezi olmaya devam ediyor. FPN tarzı fikirlerin, sabit bağlantılar yerine öğrenilmiş, uyarlanabilir ölçek ağırlıklandırmayla, görüntü transformatörleri ve verimli cihaz üzeri dedektörler içinde varlığını sürdürmesini bekleyin.
Gerçek Dünya Uygulaması
Sürücüsüz araç algılama yığınlarında uzaktaki küçük yayaları ve yakındaki büyük araçları aynı anda tespit etme
FPN'nin bölge önerisine ve maske kafalarına çok ölçekli özellikleri beslediği Mask R-CNN'de örnek segmentasyonunu güçlendirme
Tıbbi görüntüleme tespit boru hatlarında büyük organların yanında küçük tümörlerin tespit edilmesi
Küçük teknelerden büyük binalara kadar uydu ve hava görüntülerinde farklı boyutlardaki nesneleri bulma
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
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
Next guide
Mekansal Trafo Ağları
Sık sorulan sorular
What is Feature Pyramid Networks?
Özellik Piramidi Ağları (FPN), ucuz bir şekilde çok ölçekli özellikler 'piramidi' oluşturarak dedektörlerin son derece farklı boyutlardaki nesneleri tespit etmesine olanak tanır. Modern dedektörlerin aynı görüntüde hem uzaktaki küçük bir yayayı hem de yakındaki devasa bir kamyonu bulmasının nedeni bunlardır.
Özellik Piramidi Ağı öncelikle hangi temel sorunu çözer?
FPN, bir dedektörün küçükten çok büyüğe kadar değişen nesneleri tek geçişte işleyebilmesi için çok ölçekli bir özellik gösterimi oluşturur.
FPN'de yukarıdan aşağıya yolun rolü nedir?
Yukarıdan aşağıya yol, derin, anlamsal özellikleri üst örneklerle örneklendirir ve bunları daha yüzeysel, yüksek çözünürlüklü haritalarla birleştirir, böylece her seviye hem ayrıntılı hem de anlamsal olarak güçlü olur.
Yanal bağlantılar tipik olarak yukarı örneklenmiş yukarıdan aşağıya özelliklerle nasıl birleştirilir?
1x1 evrişim, yan özellik haritasının kanal sayısını ayarlar ve bu daha sonra öğe bazında 2x yukarı örneklenmiş yukarıdan aşağıya özelliğine eklenir.
FPN'deki her birleştirilmiş özellik haritasına neden 3x3 evrişim uygulanıyor?
Öğe bazında eklemenin ardından, 3x3'lük bir evrişim, üst örneklemenin neden olduğu örtüşme yapaylıklarını azaltarak daha temiz piramit düzeyleri üretir.
Daha sonraki hangi mimari FPN'yi öğrenilebilir, ağırlıklı çift yönlü füzyonla genişletti?
EfficientDet ile birlikte sunulan BiFPN, özellik birleştirmeyi çift yönlü hale getirir ve her bir girdinin ne kadar güçlü katkıda bulunduğuna ilişkin ağırlıkları öğrenir.