قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
R-CNN (المناطق مع ميزات CNN)
خوارزمية رائدة للكشف المكونة من مرحلتين تستخرج أولاً المناطق المرشحة عبر البحث الانتقائي، ثم تصنف كل منطقة بشبكة عصبية التفافية مُدربة مسبقًا.
البحث الانتقائي
طريقة تجزئة هرمية تولد مقترحات المناطق المرشحة بتجميع البكسل المتشابهة بناءً على اللون والملمس والحجم.
تجميع المنطقة المهمة (RoI Pooling)
طبقة من الشبكة العصبية تحول المناطق المرشحة ذات الأحجام المتغيرة إلى مخرج بحجم ثابت للمصنف، مع الحفاظ على الخصائص المكانية.
شبكة مقترح المناطق (RPN)
شبكة فرعية التفافية بالكامل تتنبأ في آن واحد بالصناديق المحيطة المرشحة ودرجات الكائن في كل موقع ميزة لخريطة الخصائص.
الصناديق المرجعية
صناديق مرجعية محددة مسبقًا بأحجام ونسب عرض إلى ارتفاع مختلفة يستخدمها RPN لتنبؤات صناديق الإحاطة وتسريع التقارب.
شبكة هرم الميزات (FPN)
بنية تبني هرم خصائص متعدد المقاييس بمسارات جانبية ومن أعلى إلى أسفل، محسّنة كشف الكائنات بأحجام مختلفة في Faster R-CNN.
Cascade R-CNN
بنية متعددة المراحل حيث يتم تدريب الكواشف بشكل متسلسل مع عتبات تقاطع فوق الاتحاد (IoU) متزايدة، محسّنة تنبؤات الصناديق تدريجيًا.
انحدار الصندوق المحيط
مهمة انحدار تحسن إحداثيات الصناديق المحيطة المتوقعة عن طريق تعلم التحويلات لتقليل الفجوة مع صناديق الحقيقة الأرضية.
RoIAlign
تحسين لـ RoI Pooling يتجنب التكميم الإجباري باستخدام أخذ العينات ثنائي الخط الدقيق، مع الحفاظ بشكل أفضل على المحاذاة المكانية لتقسيم المثيل.
Feature Extractor Backbone
شبكة CNN أساسية (مثل ResNet، VGG، أو EfficientNet) التي تستخرج الخصائص البصرية من صورة الإدخال، مشتركة بين مراحل الاقتراح والتصنيف.
Two-Stage Detector
نموذج كشف يفصل بشكل صريح بين إنشاء المناطق المرشحة والتصنيف والتحديد الدقيق، ويقدم عادةً دقة أفضل على حساب السرعة.
Region Proposal Quality
مقياس لفعالية خوارزمية في إنشاء مناطق مرشحة ذات صلة، يتم تقييمه عبر الاستداع عند عتبات مختلفة من IoU مع صناديق الحقيقة الأرضية.
Multi-Scale Training
استراتيجية تدريب تستخدم صورًا بحجم مختلف لتحسين متانة الكاشف في مواجهة تغييرات حجم الأجسام.
Contextual Reasoning Module
مكون ينمذج العلاقات بين الأجسام وسياقها العام لتحسين الكشف، ويشمل غالبًا آليات انتباه أو رسوم بيانية.