KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
FCOS (Fully Convolutional One-Stage)
Méthode de détection entièrement convolutive et sans ancrage traitant la détection comme un problème de prédiction dense par pixel, utilisant des pyramides de caractéristiques multi-échelles.
CornerNet
Architecture innovante détectant les coins supérieur gauche et inférieur droit des objets à l'aide de réseaux de points clés, puis associant ces paires de corners pour former des boîtes englobantes.
Heatmap Prediction
Technique fondamentale dans la détection sans ancrage où le réseau génère des cartes de chaleur indiquant les probabilités de présence d'objets à chaque position spatiale.
Keypoint-based Detection
Paradigme de détection utilisant des points clés caractéristiques (coins, centres, points extrêmes) au lieu de boîtes d'ancrage, offrant une représentation plus naturelle et flexible des objets.
Gaussian Representation
Représentation des objets par des distributions gaussiennes dans les cartes de chaleur, où l'écart-type est proportionnel à la taille de l'objet pour une meilleure localisation.
Peak Finding
Processus d'extraction des positions des objets dans les cartes de chaleur en identifiant les maxima locaux qui correspondent aux centres ou points clés des objets détectés.
Dense Prediction
Approche où chaque pixel ou point de la caractéristique produit une prédiction, éliminant le besoin d'ancres prédéfinies et permettant une prédiction complète de la scène.
Center-to-Corner Assignment
Stratégie d'appariement associant les points centraux détectés avec les coins correspondants pour former des boîtes englobantes complètes dans les approches hybrides center-corner.
FoveaBox
Méthode de détection sans ancrage inspirée du système visuel humain, prédisant la présence d'objets à différentes échelles en utilisant une vision fovéale progressive.
Extreme Points Detection
Technique identifiant les points extrêmes (haut, bas, gauche, droite) des objets pour reconstruire précisément les boîtes englobantes, particulièrement efficace pour les objets allongés.
Center-based Regression
Approche où les dimensions et offsets des boîtes sont régrettés à partir des points centraux détectés, simplifiant le processus de prédiction et éliminant les déséquilibres d'échantillonnage.
Point-Set Abstraction
Technique inspirée de PointNet appliquée à la détection d'objets, traitant les points prédits comme un ensemble et utilisant des opérations d'abstraction pour agréger les informations spatiales.
Token-based Detection
Paradigme moderne utilisant des tokens positionnels pour représenter les objets dans un espace de détection discret, éliminant les ancres au profit de représentations tokenisées apprenables.
Unified Ground Truth Assignment
Stratégie d'assignement unifiée pour les détections sans ancrage, éliminant les hyperparamètres complexes liés aux IoU thresholds et aux ratios d'aspect des ancres.