قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
ديتر (DEtection TRansformer)
بنية رائدة تلغي الحاجة إلى الإرساءات وقمع غير الأقصى عن طريق التعامل مع اكتشاف الكائنات كمشكلة تنبؤ بالجمع مباشرة، باستخدام محول ثنائي الجزء لنمذجة العلاقات بين الكائنات.
المحول ثنائي الجزء
متغير من بنية المحول حيث تطبق آليات الانتباه بين خصائص الصورة ومجموعة صغيرة ثابتة من استعلامات الكائنات القابلة للتعلم، مما يسمح بالتنبؤ المتوازي بالكائنات.
استعلامات الكائنات (Object Queries)
متجهات تضمين موقعية قابلة للتعلم تخدم كمنافذ لكل تنبؤ محتمل بالكائن، وتتفاعل مع خصائص الصورة عبر آلية الانتباه لاستخراج المعلومات ذات الصلة.
خسارة المطابقة ثنائية الجزء (Bipartite Matching Loss)
دالة خسارة تستند إلى الخوارزمية المجرية التي تجد تطابقاً مثائلاً واحداً لواحد بين تنبؤات النموذج والحقائق الأرضية، مما يحل مشكلة تبديل التنبؤات بدون إشراف.
مُشفِّر-مُفكِّك شفرة المحول
هيكل يعالج فيه المُشفِّر خصائص الصورة لإنشاء تمثيل غني بالسياق، ويستخدم مُفكِّك الشفرة استعلامات الكائنات لفك تشفير هذا التمثيل إلى تنبؤات نهائية للمربعات والفئات.
انتباه متعدد الرؤوس متعدد المقاييس (MSA)
آلية انتباه تعمل على خصائص مدمجة من عدة مستويات من خريطة الخصائص، مما يسمح للنموذج بالتقاط معلومات محلية وعالمية في وقت واحد لاكتشاف أفضل للكائنات ذات الأحجام المتنوعة.
ديتر-ريس نت (DETR-ResNet)
متغير من ديتر يستخدم شبكة عصبية تلافيفية ريس نت كمستخرج رئيسي للخصائص، يجمع بين قوة الشبكات العصبية التلافيفية لاستخراج الخصائص والتفكير العالمي للمحولات.
ماسك2فورمر (Mask2Former)
بنية موحدة لتقسيم التجزئة على المستوى الشامل، ومستوى المثيل، والمستوى الدلالي التي تحجب مناطق الاهتمام وتتنبأ بالأقنعة مباشرة باستخدام المحولات، متجاوزة الأساليب السابقة من حيث الدقة والبساطة.
تضمينات الموقع
متجهات تُضاف إلى خصائص الصورة لتوفير معلومات مكانية للمُحوِّل (Transformer)، وهي ضرورية ليفهم النموذج هندسة المشهد ويحدد مواقع الكائنات بشكل صحيح.
ديتر الشرطي
تحسين لـ DETR يسرّع التقارب من خلال تكييف استعلامات الكائنات مع محتوى الصورة، مما يسمح بتخصص أفضل للاستعلامات وتوقعات أكثر دقة.
ديتر القابل للتشوه
نسخة من DETR تدمج وحدات انتباه قابلة للتشوه للتركيز على مجموعة صغيرة من النقاط الرئيسية، مما يحسن بشكل كبير سرعة التقارب والأداء، خاصة بالنسبة للكائنات الصغيرة.
آر-سي-إن-إن المتفرق
نهج كشف متفرق بالكامل يستخدم مجموعة ثابتة من مربعات الاقتراح القابلة للتعلم وسلسلة من المُحوِّلات لتحسين التوقعات، مما يلغي الحاجة إلى طرق تقريبية مثل المرسيات أو NMS.
من الاستعلام إلى الانتباه
آلية توجه فيها استعلامات الكائنات انتباه النموذج نحو المناطق ذات الصلة في الصورة، على عكس الانتباه الشامل، مما يحسن الكفاءة وتخصص التوقعات.
دينو (DETR مع مربعات مرساة إزالة الضوضاء المحسّنة)
نموذج رائد يجمع بين مربعات مرساة إزالة الضوضاء المحسّنة وبنية مُحوِّل، ويحقق أداءً متقدمًا على معايير الكشف دون الحاجة إلى NMS.
دالة الخسارة البؤرية للمُحوِّلات
دالة خسارة مصممة لحل مشكلة التقارب البطيء في نماذج DETR من خلال التركيز على العينات الصعبة وتقليل مساهمة العينات السهلة المصنفة بشكل صحيح.
التقسيم البانوبتيكي بواسطة المُحوِّل
تطبيق هياكل المُحوِّلات على مهمة التقسيم البانوبتيكي الموحدة، والتنبؤ بالأقنعة الدلالية للأشياء والخلفية في وقت واحد باستخدام نموذج واحد من طرف إلى طرف.
Mamba-DETR
هندسة الكشف التي تستبدل آليات الانتباه بكتل فضاء الحالة (State Space Blocks) المستوحاة من Mamba، مقدمة تعقيداً خطياً وأداءً تنافسياً لاكتشاف الكائنات في الوقت الفعلي.