Глоссарий ИИ
Полный словарь искусственного интеллекта
FPN (Сеть пирамиды признаков)
Архитектура сверточной нейронной сети, которая строит пирамиду высокоуровневых признаков через нисходящий путь и боковые соединения, улучшая обнаружение объектов на всех масштабах.
PANet (Сеть агрегации путей)
Улучшение FPN, которое добавляет восходящий путь для сокращения потока информации между нижними и верхними слоями, усиливая локализацию признаков и распространение информации по сети.
Нисходящий путь (Top-Down Pathway)
Часть FPN, которая увеличивает разрешение карт признаков, полученных из абстрактных слоев, позволяя предсказывать более мелкие объекты с богатыми семантическими признаками.
Восходящий путь (Bottom-Up Pathway)
В архитектуре, такой как PANet, этот путь усиливает распространение низкоуровневых признаков к верхним слоям, улучшая точность локализации для объектов малого размера.
NAS-FPN (FPN с поиском архитектуры нейросети)
Пирамида признаков, структура которой обнаруживается автоматически с помощью поиска архитектуры нейронной сети, оптимизируя соединения между масштабами для максимальной производительности при обнаружении объектов.
BiFPN (Двунаправленная сеть пирамиды признаков)
Эффективная архитектура FPN, использующая двунаправленные соединения (сверху вниз и снизу вверх) и взвешенное слияние признаков для повышения точности при снижении вычислительной сложности.
Взвешенное слияние признаков (Weighted Feature Fusion)
Механизм, используемый в таких архитектурах, как BiFPN, где вклады различных карт признаков взвешены и обучаемы, позволяя сети определять важность каждого масштаба.
Многошкальные якорные окна (Anchor Box Multi-Échelle)
Использование якорных окон (anchors) различных размеров и соотношений сторон на каждом уровне пирамиды признаков, обеспечивающее лучшее соответствие между предложениями и объектами различных размеров.
Многомасштабный RoIAlign
Применение операции RoIAlign к признакам наиболее подходящего уровня пирамиды в зависимости от размера области интереса (RoI), что обеспечивает точное извлечение признаков для объектов любого размера.
Многомасштабное обнаружение без анкеров (Anchor-Free Multi-Scale)
Подход к обнаружению, который напрямую предсказывает ключевые точки или центры объектов на нескольких уровнях пирамиды признаков, устраняя необходимость в предопределенных якорных рамках.
Пространственное пирамидальное пулирование с атруозными свертками (ASPP)
Модуль, который захватывает контекст на нескольких масштабах, используя атруозные (дырявые) свертки с различными коэффициентами дилатации, часто интегрируется в архитектуры детекторов для обработки изменений масштаба.
TridentNet
Архитектура обнаружения, которая создает параллельные ветви обработки, каждая из которых специализируется на определенном диапазоне масштабов объектов, с общими весами для вычислительной эффективности.
SF-Net (Scale Fusion Network)
Сеть, которая явно объединяет признаки разных масштабов, используя механизмы внимания для выделения наиболее релевантных масштабов для каждого обнаруженного объекта.
M2Det (Multi-Level Multi-Scale Detector)
Детектор, который строит многоуровневую пирамиду признаков (MLFPN) для обучения более богатым и дискриминативным многомасштабным представлениям, что улучшает обнаружение объектов сильно различающихся размеров.
Многомасштабный Cascade R-CNN
Расширение Cascade R-CNN, в котором каждая ступень каскада работает на другом уровне пирамиды признаков, постепенно уточняя обнаружения на все более точных масштабах.