Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Transposition de Convolution (Conv2DTranspose)
Opération apprise qui effectue un sur-échantillonnage spatial des cartes de caractéristiques, permettant de reconstruire une segmentation haute résolution à partir de représentations de basse résolution.
Saut de Connexion (Skip Connection)
Connexion directe entre couches de niveaux hiérarchiques différents dans un FCN, fusionnant des informations sémantiques de haute résolution avec des caractéristiques contextuelles de basse résolution.
Pooling d'Interpolation (Interpolation Pooling)
Technique de sur-échantillonnage non-apprenante utilisant des méthodes comme le bilinéaire ou le plus proche voisin pour augmenter la résolution spatiale des cartes de caractéristiques.
Perte d'Entropie Croisée Pixel (Pixel-wise Cross-Entropy)
Fonction de coût calculant l'entropie croisée entre les prédictions de classe et les étiquettes de vérité terrain pour chaque pixel individuel de l'image.
Facteur de Sous-échantillonnage (Subsampling Factor)
Ratio de réduction de la résolution spatiale entre l'entrée et la sortie d'une couche de pooling, typiquement de 2 ou 4, affectant la granularité de la segmentation finale.
Champ Réceptif Effectif (Effective Receptive Field)
Zone de l'image d'entrée influençant l'activation d'un pixel de sortie dans un FCN, s'élargissant progressivement avec la profondeur du réseau pour capturer le contexte global.
Fusion de Caractéristiques (Feature Fusion)
Processus de combinaison de cartes de caractéristiques de différentes échelles spatiales, typiquement par addition ou concaténation, pour améliorer la précision de la segmentation.
Réceptivité Spatiale (Spatial Receptivity)
Capacité d'un FCN à préserver les informations de localisation précise tout en capturant des caractéristiques sémantiques abstraites à travers sa architecture hiérarchique.
Désentrelacement Spatial (Spatial Unpooling)
Opération inverse du pooling qui redistribue les valeurs agrégées vers leurs positions spatiales d'origine, souvent combinée avec des convolutions pour affiner la segmentation.
Dilatation de Convolution (Atrous Convolution)
Modification de la convolution standard insérant des espaces entre les poids du noyau, augmentant le champ réceptif sans réduire la résolution spatiale des cartes de caractéristiques.
Alignement Spatial (Spatial Alignment)
Technique garantissant la correspondance précise entre les positions des pixels dans les cartes de caractéristiques de différentes échelles lors de la fusion par sauts de connexion.
Gradient de Segmentation (Segmentation Gradient)
Flux de rétropropagation calculant comment chaque poids du FCN influence l'erreur de segmentation pixel par pixel, essentiel pour l'optimisation end-to-end.
Régularisation Spatiale (Spatial Regularization)
Contrainte ajoutée à la fonction de perte pour encourager la cohérence spatiale des prédictions, réduisant le bruit et les artefacts dans les cartes de segmentation.
Échantillonnage de Pixels (Pixel Sampling)
Stratégie de sélection d'un sous-ensemble de pixels pour le calcul de la perte, équilibrant les classes rares et accélérant l'entraînement des FCN sur des images haute résolution.
Contexte Sémantique (Semantic Context)
Information relationnelle entre pixels capturée par les couches profondes d'un FCN, permettant des prédictions cohérentes basées sur la compréhension globale de la scène.
Pré-entraînement par Classification (Classification Pretraining)
Stratégie d'initialisation des poids d'un FCN avec un réseau pré-entraîné sur la classification d'images, accélérant la convergence et améliorant la généralisation.