Глоссарий ИИ
Полный словарь искусственного интеллекта
R-CNN (Регионы с признаками CNN)
Пионерный двухэтапный алгоритм детекции, который сначала извлекает регионы-кандидаты через Selective Search, а затем классифицирует каждый регион с помощью предварительно обученной сверточной нейронной сети.
Selective Search
Метод иерархической сегментации, который генерирует предложения регионов-кандидатов, группируя похожие пиксели на основе цвета, текстуры и размера.
RoI Pooling (Пулинг областей интереса)
Слой нейронной сети, который преобразует регионы-кандидаты переменного размера в выход фиксированного размера для классификатора, сохраняя пространственные признаки.
RPN (Сеть предложений регионов)
Полностью сверточная подсеть, которая одновременно предсказывает ограничивающие рамки-кандидаты и оценки объектов на каждой пространственной позиции карты признаков.
Anchor Boxes (Якорные рамки)
Предопределенные опорные рамки с различными размерами и соотношениями сторон, используемые RPN для нормализации предсказаний ограничивающих рамок и ускорения сходимости.
Feature Pyramid Network (FPN) (Сеть пирамиды признаков)
Архитектура, которая строит многошкальную пирамиду признаков с боковыми и нисходящими путями, улучшая обнаружение объектов разных размеров в Faster R-CNN.
Cascade R-CNN
Многоэтапная архитектура, в которой детекторы последовательно обучаются с возрастающими порогами Intersection over Union (IoU), постепенно уточняя предсказания рамок.
Bounding Box Regression (Регрессия ограничивающих рамок)
Задача регрессии, которая уточняет координаты предсказанных ограничивающих рамок, обучая преобразования для минимизации разрыва с рамками истинных значений.
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.