Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
R-CNN (Regions with CNN features)
Algorithme pionnier de détection en deux étapes qui extrait d'abord des régions candidates via Selective Search, puis classe chaque région avec un réseau de neurones convolutif pré-entraîné.
Selective Search
Méthode de segmentation hiérarchique qui génère des propositions de régions candidates en regroupant des pixels similaires basée sur la couleur, la texture et la taille.
RoI Pooling (Region of Interest Pooling)
Couche de réseau neuronal qui transforme des régions candidates de tailles variables en une sortie de taille fixe pour le classifieur, préservant les caractéristiques spatiales.
RPN (Region Proposal Network)
Sous-réseau entièrement convolutif qui prédit simultanément les boîtes englobantes candidates et les scores d'objet à chaque position spatiale de la carte de caractéristiques.
Anchor Boxes
Boîtes de référence prédéfinies avec différentes tailles et rapports d'aspect utilisées par le RPN pour normaliser les prédictions de boîtes englobantes et accélérer la convergence.
Feature Pyramid Network (FPN)
Architecture qui construit une pyramide de caractéristiques multi-échelles avec des chemons latéraux et top-down, améliorant la détection d'objets à différentes tailles dans Faster R-CNN.
Cascade R-CNN
Architecture multi-étapes où les détecteurs sont entraînés séquentiellement avec des seuux d'Intersection over Union (IoU) croissants, affinant progressivement les prédictions de boîtes.
Bounding Box Regression
Tâche de régression qui affine les coordonnées des boîtes englobantes prédites en apprenant des transformations pour minimiser l'écart avec les boîtes de vérité terrain.
RoIAlign
Amélioration de RoI Pooling qui évite la quantification forcée en utilisant un échantillonnage bilinéaire précis, préservant mieux l'alignement spatial pour la segmentation d'instance.
Feature Extractor Backbone
Réseau CNN de base (comme ResNet, VGG, ou EfficientNet) qui extrait les caractéristiques visuelles de l'image d'entrée, partagé entre les étapes de proposition et de classification.
Two-Stage Detector
Paradigme de détection qui sépare explicitement la génération de régions candidates de la classification et localisation précises, offrant généralement une meilleure précision au détriment de la vitesse.
Region Proposal Quality
Mesure de l'efficacité d'un algorithme à générer des régions candidates pertinentes, évaluée par le rappel à différents seuux d'IoU avec les boîtes de vérité terrain.
Multi-Scale Training
Stratégie d'entraînement qui utilise des images redimensionnées à différentes échelles pour améliorer la robustesse du détecteur face aux variations de taille d'objets.
Contextual Reasoning Module
Composant qui modélise les relations entre objets et leur contexte global pour améliorer la détection, intégrant souvent des mécanismes d'attention ou de graphes.