قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
شبكة هرم الميزات (FPN)
هندسة شبكة عصبية التفافية تبني هرمًا من الميزات عالية المستوى عبر مسار من الأعلى للأسفل واتصالات جانبية، مما يحسن اكتشاف الكائنات بجميع المقاييس.
شبكة تجميع المسار (PANet)
تحسين لشبكة هرم الميزات (FPN) يضيف مسارًا من الأسفل للأعلى لتقصير تدفق المعلومات بين الطبقات السفلية والعلوية، مما يعزز تحديد موقع الميزات وانتشار المعلومات عبر الشبكة.
المسار من الأعلى للأسفل (Top-Down Pathway)
جزء من شبكة هرم الميزات (FPN) يقوم بتكبير خرائط الميزات عالية الدقة من الطبقات المجردة، مما يسمح بالتنبؤ بالكائنات الأصغر ذات الميزات الدلالية الغنية.
المسار من الأسفل للأعلى (Bottom-Up Pathway)
في هندسة معمارية مثل PANet، يعزز هذا المسار انتشار الميزات منخفضة المستوى إلى الطبقات العليا، مما يحسن دقة تحديد الموقع للكائنات صغيرة الحجم.
شبكة هرم الميزات بالبحث المعماري العصبي (NAS-FPN)
هرم ميزات يتم اكتشاف هيكله تلقائيًا عن طريق البحث المعماري العصبي، مما يحسن الاتصالات بين المقاييس لتحقيق أقصى أداء في اكتشاف الكائنات.
شبكة هرم الميزات ثنائية الاتجاه (BiFPN)
هندسة شبكة هرم الميزات (FPN) فعالة تستخدم اتصالات ثنائية الاتجاه (من الأعلى للأسفل ومن الأسفل للأعلى) ودمجًا مرجحًا للميزات لتحسين الدقة مع تقليل التعقيد الحسابي.
دمج الميزات المرجح (Weighted Feature Fusion)
آلية مستخدمة في معماريات مثل BiFPN حيث يتم ترجيح مساهمات خرائط الميزات المختلفة وتكون قابلة للتعلم، مما يسمح للشبكة بتحديد أهمية كل مقياس.
صناديق الارتساء متعددة المقاييس (Multi-Scale Anchor Box)
استخدام صناديق الارتساء (anchors) بأحجام ونسب أبعاد مختلفة على كل مستوى من مستويات هرم الميزات، مما يضمن تطابقًا أفضل بين الاقتراحات والكائنات ذات الأحجام المتنوعة.
محاذاة مناطق الاهتمام متعددة المقاييس (RoIAlign Multi-Échelle)
تطبيق عملية RoIAlign على ميزات الهرم الأكثر ملاءمة لحجم منطقة الاهتمام (RoI)، مما يضمن استخلاص ميزات دقيق للكائنات بجميع أحجامها.
الكشف بدون نقاط ارتكاز متعدد المقاييس (Anchor-Free Multi-Scale)
نهج كشف يتنبأ مباشرة بالنقاط الرئيسية أو مراكز الكائنات على مستويات متعددة من هرم الميزات، مما يلغي الحاجة إلى مربعات ارتكاز محددة مسبقًا.
تجميع الهرم المكاني الأتروس (ASPP)
وحدة تلتقط السياق على مقاييس متعددة باستخدام الالتفافات الأتروس (المخرمة) بمعدلات تمدد مختلفة، وغالبًا ما تُدمج في معماريات الكشف للتعامل مع اختلافات الحجم.
تريدنت نت (TridentNet)
معمارية كشف تبني فروع معالجة متوازية، كل منها متخصص في نطاق معين من أحجام الكائنات، وتشارك الأوزان لتحقيق كفاءة حسابية.
شبكة دمج المقاييس (SF-Net)
شبكة تدمج بشكل صريح الميزات من مقاييس مختلفة باستخدام آليات الانتباه لتسليط الضوء على المقاييس الأكثر صلة لكل كائن مكتشف.
كاشف متعدد المستويات ومتعدد المقاييس (M2Det)
كاشف يبني هرم ميزات متعدد المستويات (MLFPN) لتعلم تمثيلات متعددة المقاييس أكثر ثراءً وتمييزًا، مما يحسن الكشف عن الكائنات ذات الأحجام المختلفة جدًا.
كاسكيد آر-سي إن إن متعدد المقاييس (Cascade R-CNN Multi-Échelle)
توسيع لـ Cascade R-CNN حيث تعمل كل مرحلة من مراحل السلسلة على مستوى مختلف من هرم الميزات، مما يؤدي إلى تحسين الاكتشافات تدريجيًا بمقاييس أكثر دقة.