Глоссарий ИИ
Полный словарь искусственного интеллекта
Голова многоуровневого обнаружения
Компонент детекторов объектов, который применяет прогнозы на нескольких уровнях пирамиды признаков, используя специфические слои для каждого масштаба для оптимизации обнаружения объектов разного размера.
Адаптивный якорь (Adaptive Anchor)
Техника, в которой якорные рамки (anchor boxes) генерируются динамически на основе статистики размеров объектов в наборе данных, улучшая соответствие между якорями и маленькими объектами.
Фокальные потери (Focal Loss)
Модифицированная функция потерь, которая уменьшает вклад легко классифицируемых примеров и концентрируется на сложных примерах, особенно эффективная для обработки дисбаланса классов, присущего обнаружению маленьких объектов.
Агрегация множественных путей (Path Aggregation Network - PANet)
Архитектура, которая улучшает поток информации в сетях с пирамидой признаков, создавая сокращения между нижними и верхними слоями, лучше сохраняя информацию о локализации для маленьких объектов.
Суперразрешение, управляемое обнаружением
Подход, который увеличивает разрешение карт признаков или областей интереса перед классификацией, используя техники суперразрешения, чтобы сделать маленькие объекты более различимыми.
Дилатация признаков
Техника, которая увеличивает рецептивное поле нейронов без потери пространственного разрешения, позволяя захватывать больше контекста вокруг маленьких объектов, сохраняя при этом их точную локализацию.
Сэмплирование ключевых точек
Метод, который выборочно сэмплирует признаки из самых информативных точек маленькой области объекта, а не использует глобальный пулинг, который может утопить важные детали.
Модуль пространственного внимания
Механизм, который учится взвешивать важность различных пространственных областей карты признаков, позволяя сети концентрироваться на зонах, содержащих релевантные маленькие объекты.
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.