قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Boîte Englobante (Bounding Box)
Rectangle défini par des coordonnées (x, y, largeur, hauteur) qui encadre un objet détecté dans une image. C'est la sortie standard des algorithmes de détection d'objets pour localiser et délimiter la cible.
Intersection sur Union (IoU)
Métrique d'évaluation qui mesure le chevauchement entre la boîte englobante prédite et la boîte englobante de vérité terrain (ground truth). Elle est calculée comme le rapport de l'aire de l'intersection sur l'aire de l'union des deux boîtes.
Ancre (Anchor Box)
Boîte englobante prédéfinie avec une taille et un rapport hauteur/largeur spécifiques, utilisée comme référence par les détecteurs d'objets. Le modèle prédit les décalages par rapport à ces boîtes d'ancrage pour accélérer et stabiliser l'apprentissage.
Moyenne Précision Moyenne (mAP)
Métrique de référence pour évaluer les performances d'un détecteur d'objets, calculée comme la moyenne des précisions moyennes (Average Precision) sur toutes les classes d'objets. Elle intègre à la fois la précision et le rappel à différents seuils de confiance.
Région d'Intérêt (RoI)
Zone spécifique d'une image sur laquelle l'analyse ou le traitement se concentre. Dans les architectures à deux étapes comme Faster R-CNN, les RoI sont les zones candidates susceptibles de contenir un objet.
Réseau de Proposition de Région (RPN)
Composant clé des architectures de détection à deux étapes (ex: Faster R-CNN) qui génère des régions candidates (RoI) susceptibles de contenir des objets. Il partage des convolutions avec le réseau de classification pour l'efficacité.
Détection en une Étape (Single-Stage Detector)
Famille d'algorithmes (ex: YOLO, SSD) qui effectuent la détection d'objets en un seul passage sur l'image, prédisant directement les boîtes englobantes et les classes. Ils sont généralement plus rapides mais parfois moins précis que les détecteurs en deux étapes.
Détection en Deux Étapes (Two-Stage Detector)
Approche de détection qui sépare le processus en deux phases : d'abord la génération de régions candidates, puis la classification et le raffinement des boîtes pour ces régions. Elle offre souvent une meilleure précision au détriment de la vitesse.
Pyramide de Caractéristiques (Feature Pyramid)
Structure qui combine des cartes de caractéristiques de plusieurs niveaux sémantiques et de résolutions différentes. Elle permet au modèle de détecter des objets à diverses échelles dans une même image, améliorant la robustesse.
Régression de Boîte Englobante
Tâche de prédiction des coordonnées exactes (x, y, largeur, hauteur) d'une boîte englobante. Le modèle apprend à ajuster une boîte initiale (comme une ancre) pour l'aligner au mieux sur l'objet réel.
Détection de Point Clé (Keypoint Detection)
Extension de la détection d'objets qui consiste à localiser des points anatomiques ou structurels spécifiques (ex: articulations d'un corps humain). Elle est souvent utilisée pour l'estimation de la pose.
Segmentation Sémantique d'Instance
Tâche avancée qui combine la détection d'objets et la segmentation sémantique. Elle identifie chaque instance d'objet et attribue un masque de pixel précis à chacune, au lieu d'une simple boîte englobante.