Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Tête de détection multi-échelles
Un composant des détecteurs d'objets qui applique des prédictions sur plusieurs niveaux de la pyramide de caractéristiques, utilisant des couches spécifiques pour chaque échelle afin d'optimiser la détection d'objets de différentes tailles.
Ancre adaptative (Adaptive Anchor)
Une technique où les boîtes d'ancrage (anchor boxes) sont générées dynamiquement en fonction des statistiques des dimensions des objets dans le jeu de données, améliorant ainsi l'alignement entre les ancres et les petits objets.
Perte Focale (Focal Loss)
Une fonction de perte modifiée qui réduit la contribution des exemples faciles bien classés et se concentre sur les exemples difficiles, particulièrement efficace pour gérer le déséquilibre des classes inhérent à la détection de petits objets.
Agrégation de chemins multiples (Path Aggregation Network - PANet)
Une architecture qui améliore le flux d'informations dans les réseaux à pyramide de caractéristiques en créant des raccourcis entre les couches inférieures et supérieures, préservant mieux les informations de localisation pour les petits objets.
Super-résolution guidée par la détection
Une approche qui augmente la résolution des cartes de caractéristiques ou des régions d'intérêt avant la classification, utilisant des techniques de super-résolution pour rendre les petits objets plus discernables.
Dilatation de caractéristiques (Feature Dilatation)
Une technique qui augmente le champ récepteur des neurones sans perdre de résolution spatiale, permettant de capturer plus de contexte autour des petits objets tout en conservant leur localisation précise.
Échantillonnage de points clés (Keypoint Sampling)
Une méthode qui échantillonne sélectivement les caractéristiques des points les plus informatifs d'une petite région d'objet, plutôt que d'utiliser une mise en commun globale qui pourrait noyer les détails importants.
Module d'attention spatiale
Un mécanisme qui apprend à pondérer l'importance de différentes régions spatiales de la carte de caractéristiques, permettant au réseau de se concentrer sur les zones contenant de petits objets pertinents.
Ré-identification de caractéristiques (Feature Re-identification)
Un processus qui réinjecte des caractéristiques de bas niveau dans des couches plus profondes du réseau, aidant à récupérer les détails fins perdus lors des opérations de sous-échantillonnage successives.
Contexte multi-échelles (Multi-scale Context)
L'utilisation d'informations contextuelles provenant de différentes échelles spatiales autour d'un petit objet pour améliorer sa classification, en exploitant les relations entre l'objet et son environnement.
Augmentation de données adaptée aux petits objets
Des techniques de transformation d'images spécifiquement conçues pour augmenter la présence et la variabilité des petits objets dans le jeu d'entraînement, comme le zoom sélectif ou la copie-coller d'objets.
IoU pondéré par la taille (Size-weighted IoU)
Une métrique d'évaluation qui accorde plus de poids aux prédictions correctes sur les petits objets lors du calcul de l'Intersection sur l'Union, reflétant mieux la difficulté et l'importance de leur détection.
Tête de détection en cascade (Cascade Detection Head)
Une architecture où plusieurs têtes de détection sont placées en séquence, chaque tête affinant les prédictions de la précédente avec des seuils d'IoU de plus en plus stricts, améliorant la précision sur les objets difficiles comme les petits objets.
Fusion de caractéristiques bi-directionnelle
Une technique qui combine les caractéristiques de haut niveau (sémantiques) et de bas niveau (spatiales) dans les deux directions, de sorte que les couches profondes reçoivent des informations de localisation précises pour mieux détecter les petits objets.
Mise en évidence de caractéristiques (Feature Highlighting)
Une méthode qui amplifie les réponses des neurones activées par de petits motifs ou textures, rendant les caractéristiques des petits objets plus saillantes par rapport au bruit de fond.
Apprentissage contrastif pour la détection
Une approche d'entraînement qui apprend au réseau à rapprocher les caractéristiques de petits objets similaires et à éloigner celles des objets différents ou de l'arrière-plan, améliorant leur séparabilité.