Глоссарий ИИ
Полный словарь искусственного интеллекта
Boîte Englobante (Bounding Box)
Rectangle défini par des coordonnées (x, y, largeur, hauteur) qui encadre un objet détecté dans une image. C'est la sortie standard des algorithmes de détection d'objets pour localiser et délimiter la cible.
Intersection sur Union (IoU)
Métrique d'évaluation qui mesure le chevauchement entre la boîte englobante prédite et la boîte englobante de vérité terrain (ground truth). Elle est calculée comme le rapport de l'aire de l'intersection sur l'aire de l'union des deux boîtes.
Ancre (Anchor Box)
Boîte englobante prédéfinie avec une taille et un rapport hauteur/largeur spécifiques, utilisée comme référence par les détecteurs d'objets. Le modèle prédit les décalages par rapport à ces boîtes d'ancrage pour accélérer et stabiliser l'apprentissage.
Moyenne Précision Moyenne (mAP)
Métrique de référence pour évaluer les performances d'un détecteur d'objets, calculée comme la moyenne des précisions moyennes (Average Precision) sur toutes les classes d'objets. Elle intègre à la fois la précision et le rappel à différents seuils de confiance.
Région d'Intérêt (RoI)
Zone spécifique d'une image sur laquelle l'analyse ou le traitement se concentre. Dans les architectures à deux étapes comme Faster R-CNN, les RoI sont les zones candidates susceptibles de contenir un objet.
Réseau de Proposition de Région (RPN)
Composant clé des architectures de détection à deux étapes (ex: Faster R-CNN) qui génère des régions candidates (RoI) susceptibles de contenir des objets. Il partage des convolutions avec le réseau de classification pour l'efficacité.
Détection en une Étape (Single-Stage Detector)
Famille d'algorithmes (ex: YOLO, SSD) qui effectuent la détection d'objets en un seul passage sur l'image, prédisant directement les boîtes englobantes et les classes. Ils sont généralement plus rapides mais parfois moins précis que les détecteurs en deux étapes.
Détection en Deux Étapes (Two-Stage Detector)
Approche de détection qui sépare le processus en deux phases : d'abord la génération de régions candidates, puis la classification et le raffinement des boîtes pour ces régions. Elle offre souvent une meilleure précision au détriment de la vitesse.
Пирамида признаков (Feature Pyramid)
Структура, которая объединяет карты признаков нескольких семантических уровней с разным разрешением. Она позволяет модели обнаруживать объекты в различных масштабах на одном изображении, улучшая робастность.
Регрессия ограничивающей рамки
Задача предсказания точных координат (x, y, ширина, высота) ограничивающей рамки. Модель учится настраивать исходную рамку (как якорь) для наилучшего выравнивания с реальным объектом.
Обнаружение ключевых точек (Keypoint Detection)
Расширение обнаружения объектов, которое заключается в локализации специфических анатомических или структурных точек (например: суставов человеческого тела). Она часто используется для оценки позы.
Сегментация экземпляров
Продвинутая задача, которая объединяет обнаружение объектов и семантическую сегментацию. Она идентифицирует каждый экземпляр объекта и присваивает точную маску пикселя каждому из них, вместо простой ограничивающей рамки.