شبکه هرمی ویژگی (Feature Pyramid Network - FPN)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه هرمی ویژگی (Feature Pyramid Network - FPN) :
شبکه هرمی ویژگی (FPN) توسط لین و همکاران در سال ۲۰۱۷ برای تشخیص اشیاء معرفی شد. FPN یک معماری است که هرمی از نقشه های ویژگی در مقیاس های مختلف ایجاد می کند، اما برخلاف هرم های تصویر سنتی (که هزینه محاسباتی بالایی دارند)، FPN از یک شبکه backbone (مانند ResNet) استفاده کرده و با اتصالات جانبی (lateral connections) و مسیر بالابه پایین (top-down pathway)، ویژگی های معنایی قوی را در تمامی مقیاس ها ترکیب می کند.
ساختار FPN:
مسیر پایین به بالا (bottom-up): همان شبکه backbone (مثلا ResNet) است که هرمی از نقشه های ویژگی با کاهش تدریجی ابعاد (مراحل C2 تا C5) تولید می کند.
مسیر بالا به پایین (top-down): با استفاده از نمونه برداری بالا (مثلا nearest neighbor upsampling) از مراحل بالاتر، نقشه های ویژگی با ابعاد بزرگتر ساخته می شوند.
اتصالات جانبی (lateral connections): هر سطح از مسیر بالا به پایین با نقشه ویژگی متناظر از مسیر پایین به بالا (پس از کانولوشن ۱×۱ برای کاهش کانال ها) جمع (یا الحاق) می شود.
نتیجه سطوح ویژگی
\[ P2, P3, P4, P5 \](با مقیاس های مختلف) است که هر کدام قدرت معنایی خوب و محلی سازی دقیق دارند. این سطوح برای تشخیص اشیاء در مقیاس های مختلف استفاده می شوند.
کاربردها: تشخیص اشیاء (در Faster R-CNN با FPN)، بخش بندی نمونه (Mask R-CNN). FPN به یک جزء استاندارد در بسیاری از مدل های vision تبدیل شده است.
