KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Fully Convolutional Network (FCN)
Architecture de réseau de neurones convolutifs qui remplace les couches entièrement connectées par des couches convolutives pour générer des cartes de segmentation de même taille que l'image d'entrée.
DeepLab
Famille de modèles de segmentation sémantique utilisant des convolutions dilatées (atrous) pour augmenter le champ de réception sans perdre de résolution spatiale.
Atrous Convolution (Dilated Convolution)
Opération de convolution qui insère des espaces entre les pixels du noyau pour augmenter le champ de réception et capturer le contexte à plus grande échelle.
Pyramid Scene Parsing Network (PSPNet)
Modèle qui intègre des informations de contexte global à différentes échelles en utilisant un module de pooling pyramidé avant la prédiction finale.
Pixel Accuracy
Métrique de performance simple qui calcule le ratio de pixels correctement classés sur le nombre total de pixels dans l'image.
Mean IoU (mIoU)
Moyenne de l'IoU calculée sur toutes les classes de segmentation, offrant une évaluation globale de la performance du modèle.
Softmax Activation
Fonction d'activation appliquée sur la dernière couche pour convertir les scores de classe en une distribution de probabilité pour chaque pixel.
Dice Loss
Fonction de perte alternative basée sur le coefficient de Dice, particulièrement efficace pour gérer le déséquilibre des classes dans les tâches de segmentation.
Context Module
Composant de réseau conçu pour capturer les informations contextuelles à longue portée, essentiel pour une segmentation sémantique précise.
Boundary Refinement
Technique ou module supplémentaire visant à améliorer la précision des contours des objets segmentés, souvent un point faible des méthodes standard.
Class Imbalance
Problème fréquent en segmentation où certaines classes occupent beaucoup moins de pixels que d'autres, nécessitant des stratégies d'entraînement adaptées.
Hard Pixel Mining
Stratégie d'entraînement qui se concentre sur les pixels difficiles à classer (mal prédits) pour accélérer la convergence et améliorer les performances.
Semantic Ambiguity
Défi où un même pixel peut appartenir à plusieurs classes sémantiquement proches, rendant la classification unique problématique.
Panoptic Segmentation
Tâche unifiée qui combine la segmentation sémantique (classes) et la segmentation d'instances (objets individuels) en une seule prédiction cohérente.