Feature Maps

خريطة الميزات هي الناتج الأساسي الذي تنتجه مرشحة التدوير عند معالجة صورة إدخال أو طبقة سابقة داخل شبكة عصبية. في سياق رؤية الكمبيوتر (CV)، تعمل هذه الخرائط كتمثيل داخلي للبيانات، حيث تسلط الضوء على أنماط محددة مثل الحواف، أو الأنسجة، أو الأشكال الهندسية المعقدة التي تعلم النموذج التعرف عليها. باختصار، تعمل خرائط الميزات بمثابة "عيون" الشبكة العصبية التدويرية (CNN)، حيث تحول قيم البكسل الخام إلى تجريدات ذات مغزى تسهل مهام مثل اكتشاف الكائنات والتصنيف.

الآلية الكامنة وراء خرائط الميزات#

يتم مد إنشاء خريطة الميزات بواسطة العملية الرياضية المعروفة باسم التدوير. خلال هذه العملية، تنزلق مصفوفة صغيرة من المعلمات القابلة للتعلم، تسمى النواة أو المرشحة، عبر بيانات الإدخال. في كل موضع، تقوم النواة بإجراء عملية ضرب وعملية جمع لكل عنصر على حدة، مما ينتج عنه قيمة فردية في شبكة الإخراج.

• تنشيط النمط: يتم تدريب كل مرشح للبحث عن ميزة معينة. عندما يواجه المرشح تلك الميزة في المدخلات، تكون القيمة الناتجة في خريطة الميزات عالية، مما يشير إلى تنشيط قوي.
• التسلسل الهرمي المكاني: في بنيات التعلم العميق (DL)، يتم ترتيب خرائط الميزات بشكل هرمي. تنتج الطبقات المبكرة خرائط تكتشف التفاصيل منخفضة المستوى مثل خطوط ومنحنيات اكتشاف الحواف. تجمع الطبقات الأعمق هذه الخرائط البسيطة لتشكيل تمثيلات عالية المستوى للكائنات المعقدة، مثل الوجوه أو المركبات.
• تغيرات الأبعاد: مع تقدم البيانات عبر الشبكة، تقل عادةً عمليات مثل طبقات التجميع الأبعاد المكانية (الارتفاع والعرض) لخرائط الميزات بينما تزيد العمق (عدد القنوات). تساعد هذه العملية، التي تُسمى غالباً تقليل الأبعاد، النموذج على التركيز على وجود الميزات بدلاً من موقع البكسل الدقيق لها.

تطبيقات العالم الحقيقي#

تعد خرائط الميزات بمثابة المحرك الأساسي لتطبيقات الذكاء الاصطناعي الحديثة، مما يسمح للأنظمة بتفسير البيانات المرئية بفهم يشبه الفهم البشري.

• التشخيص الطبي: في تحليل الصور الطبية، تستخدم النماذج خرائط الميزات لمعالجة الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي. قد تسلط الخرائط المبكرة الضوء على الخطوط العريضة للعظام، بينما تحدد الخرائط الأعمق التشوهات مثل الأورام أو الكسور، مما يساعد الأطباء في سيناريوهات الذكاء الاصطناعي في الرعاية الصحية.
• الملاحة المستقلة: تعتمد السيارات ذاتية القيادة بشكل كبير على خرائط الميزات التي تولدها المستشعرات المرئية. تسمح هذه الخرائط للحاسوب الموجود على متن المركبة بالتمييز بين المسارات، والمشاة، وإشارات المرور في الوقت الفعلي، وهو أمر بالغ الأهمية لكي تعمل المركبات ذاتية القيادة بأمان.

العمل مع خرائط الميزات في Python#

بينما تعتبر خرائط الميزات هياكل داخلية، فإن فهم أبعادها أمر بالغ الأهمية عند تصميم البنيات. يوضح مثال PyTorch التالي كيف تقوم طبقة تدويرية واحدة بتحويل صورة إدخال إلى خريطة ميزات.

import torch
import torch.nn as nn

# Define a convolution layer: 1 input channel, 1 output filter, 3x3 kernel
conv_layer = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, bias=False)

# Create a random dummy image (Batch Size=1, Channels=1, Height=5, Width=5)
input_image = torch.randn(1, 1, 5, 5)

# Pass the image through the layer to generate the feature map
feature_map = conv_layer(input_image)

print(f"Input shape: {input_image.shape}")
# The output shape will be smaller (3x3) due to the kernel size and no padding
print(f"Feature Map shape: {feature_map.shape}")

التمييز بين المفاهيم ذات الصلة#

من المفيد تمييز خرائط الميزات عن المصطلحات المشابهة لتجنب الارتباك أثناء تدريب النموذج:

• خريطة الميزات مقابل المرشحة: المرشحة (أو النواة) هي الأداة المستخدمة لمسح الصورة؛ وهي تحتوي على أوزان النموذج. خريطة الميزات هي نتيجة هذا المسح. يمكنك التفكير في المرشحة على أنها "العدسة" وفي خريطة الميزات على أنها "الصورة" الملتقطة من خلال تلك العدسة.
• خريطة الميزات مقابل التضمين: بينما يمثل كلاهما البيانات، تحتفظ خرائط الميزات عادةً بالهياكل المكانية (الارتفاع والعرض) المناسبة لـ التجزئة الدلالية. في المقابل، تكون التضمينات عادةً متجهات أحادية الأبعاد مسطحة تلتقط المعنى الدلالي ولكنها تتخلص من التخطيط المكاني، وغالباً ما تُستخدم في مهام البحث عن التشابه.
• خريطة الميزات مقابل التنشيط: يتم تطبيق دالة التنشيط (مثل ReLU) على القيم داخل خريطة الميزات لإدخال اللاخطية. توجد الخريطة قبل وبعد هذه العملية الرياضية.

الأهمية لنماذج Ultralytics#

في الأنيات المتقدمة مثل YOLO26، تلعب خرائط الميزات دوراً محورياً في "العمود الفقري" و"الرأس" للنموذج. يستخرج العمود الفقري الميزات بمقياسات مختلفة (هرم الميزات)، مما يضمن قدرة النموذج على اكتشاف الكائنات الصغيرة والكبيرة بفعالية. يمكن للمستخدمين الذين يستفيدون من منصة Ultralytics للتدريب تصور كيف تؤدي هذه النماذج أداءها، وملاحظة فعالية خرائط الميزات الأساسية بشكل غير مباشر من خلال مقاييس مثل الدقة والاستدعاء. يتضمن تحسين هذه الخرائط تدريباً مكثفاً على مجموعات البيانات التعليقية، وغالباً ما يتم استخدام تقنيات مثل استخراج الميزات لنقل المعرفة من النماذج المدربة مسبقاً إلى مهام جديدة.