Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
FPN (Feature Pyramid Network)
Architecture de réseau de neurones convolutifs qui construit une pyramide de caractéristiques de haut niveau à travers un chemin descendant et des connexions latérales, améliorant la détection d'objets à toutes les échelles.
PANet (Path Aggregation Network)
Amélioration du FPN qui ajoute un chemin ascendant pour raccourcir le flux d'information entre les couches inférieures et supérieures, renforçant la localisation des caractéristiques et la propagation des informations à travers le réseau.
Chemin Descendant (Top-Down Pathway)
Partie d'une FPN qui upsample les cartes de caractéristiques de plus haute résolution à partir de couches abstraites, permettant de prédire des objets plus petits avec des caractéristiques sémantiques riches.
Chemin Ascendant (Bottom-Up Pathway)
Dans une architecture comme PANet, ce chemin renforce la propagation des caractéristiques de bas niveau vers les couches supérieures, améliorant la précision de la localisation pour les objets de petite taille.
NAS-FPN (Neural Architecture Search FPN)
Pyramide de caractéristiques dont la structure est découverte automatiquement par une recherche d'architecture neuronale, optimisant les connexions entre les échelles pour une performance maximale en détection d'objets.
BiFPN (Bidirectional Feature Pyramid Network)
Architecture FPN efficace qui utilise des connexions bidirectionnelles (top-down et bottom-up) et une fusion pondérée des caractéristiques pour améliorer la précision tout en réduisant la complexité computationnelle.
Fusion Pondérée des Caractéristiques (Weighted Feature Fusion)
Mécanisme utilisé dans des architectures comme BiFPN où les contributions de différentes cartes de caractéristiques sont pondérées et apprenables, permettant au réseau de déterminer l'importance de chaque échelle.
Anchor Box Multi-Échelle
Utilisation de boîtes d'ancrage (anchors) de différentes tailles et rapports d'aspect sur chaque niveau de la pyramide de caractéristiques, assurant une meilleure adéquation entre les propositions et les objets de tailles variées.
RoIAlign Multi-Échelle
Application de l'opération RoIAlign sur les caractéristiques de la pyramide la plus appropriée à la taille d'une région d'intérêt (RoI), garantissant une extraction de caractéristiques précise pour les objets de toutes tailles.
Détection Sans Ancrage Multi-Échelle (Anchor-Free Multi-Scale)
Approche de détection qui prédit directement les points clés ou les centres des objets sur plusieurs niveaux de la pyramide de caractéristiques, éliminant le besoin de boîtes d'ancrage prédéfinies.
Atrous Spatial Pyramid Pooling (ASPP)
Module qui capture le contexte à plusieurs échelles en utilisant des convolutions atrous (à trous) avec différents taux de dilatation, souvent intégré dans les architectures de détection pour gérer les variations d'échelle.
TridentNet
Architecture de détection qui construit des branches de traitement parallèles, chacune spécialisée dans une plage d'échelles d'objets spécifique, partageant les poids pour une efficacité computationnelle.
SF-Net (Scale Fusion Network)
Réseau qui fusionne explicitement les caractéristiques de différentes échelles en utilisant des mécanismes d'attention pour mettre en évidence les échelles les plus pertinentes pour chaque objet détecté.
M2Det (Multi-Level Multi-Scale Detector)
Détecteur qui construit une pyramide de caractéristiques multi-niveaux (MLFPN) pour apprendre des représentations multi-échelles plus riches et discriminantes, améliorant la détection d'objets de tailles très différentes.
Cascade R-CNN Multi-Échelle
Extension du Cascade R-CNN où chaque étage de la cascade opère sur un niveau différent de la pyramide de caractéristiques, affinant progressivement les détections à des échelles de plus en plus précises.