Glosario IA
El diccionario completo de la Inteligencia Artificial
FPN (Red de Pirámide de Características)
Arquitectura de red neuronal convolucional que construye una pirámide de características de alto nivel a través de un camino descendente y conexiones laterales, mejorando la detección de objetos a todas las escalas.
PANet (Red de Agregación de Caminos)
Mejora del FPN que añade un camino ascendente para acortar el flujo de información entre las capas inferiores y superiores, fortaleciendo la localización de características y la propagación de información a través de la red.
Camino Descendente (Top-Down Pathway)
Parte de una FPN que realiza upsampling de los mapas de características de mayor resolución a partir de capas abstractas, permitiendo predecir objetos más pequeños con características semánticas ricas.
Camino Ascendente (Bottom-Up Pathway)
En una arquitectura como PANet, este camino refuerza la propagación de características de bajo nivel hacia las capas superiores, mejorando la precisión de localización para objetos pequeños.
NAS-FPN (Búsqueda de Arquitectura Neuronal FPN)
Pirámide de características cuya estructura es descubierta automáticamente mediante búsqueda de arquitectura neuronal, optimizando las conexiones entre escalas para un rendimiento máximo en detección de objetos.
BiFPN (Red de Pirámide de Características Bidireccional)
Arquitectura FPN eficiente que utiliza conexiones bidireccionales (top-down y bottom-up) y fusión ponderada de características para mejorar la precisión mientras reduce la complejidad computacional.
Fusión Ponderada de Características (Weighted Feature Fusion)
Mecanismo utilizado en arquitecturas como BiFPN donde las contribuciones de diferentes mapas de características son ponderadas y aprendibles, permitiendo a la red determinar la importancia de cada escala.
Caja de Anclaje Multi-Escala
Uso de cajas de anclaje (anchors) de diferentes tamaños y relaciones de aspecto en cada nivel de la pirámide de características, asegurando una mejor adecuación entre las propuestas y objetos de varios tamaños.
RoIAlign Multi-Escala
Aplicación de la operación RoIAlign sobre las características de la pirámide más apropiada al tamaño de una región de interés (RoI), garantizando una extracción de características precisa para objetos de todos los tamaños.
Detección Sin Anclaje Multi-Escala (Anchor-Free Multi-Scale)
Enfoque de detección que predice directamente los puntos clave o los centros de los objetos en múltiples niveles de la pirámide de características, eliminando la necesidad de cajas de anclaje predefinidas.
Atrous Spatial Pyramid Pooling (ASPP)
Módulo que captura el contexto a múltiples escalas utilizando convoluciones atrous (con agujeros) con diferentes tasas de dilatación, a menudo integrado en las arquitecturas de detección para manejar las variaciones de escala.
TridentNet
Arquitectura de detección que construye ramas de procesamiento paralelas, cada una especializada en un rango específico de escalas de objetos, compartiendo los pesos para eficiencia computacional.
SF-Net (Scale Fusion Network)
Red que fusiona explícitamente las características de diferentes escalas utilizando mecanismos de atención para resaltar las escalas más relevantes para cada objeto detectado.
M2Det (Multi-Level Multi-Scale Detector)
Detector que construye una pirámide de características multinivel (MLFPN) para aprender representaciones multi-escala más ricas y discriminativas, mejorando la detección de objetos de tamaños muy diferentes.
Cascade R-CNN Multi-Escala
Extensión del Cascade R-CNN donde cada etapa de la cascada opera en un nivel diferente de la pirámide de características, refinando progresivamente las detecciones a escalas cada vez más precisas.