Feature Maps

خريطة الميزات هي المخرج الأساسي الناتج عندما يعالج مرشح التفاف صورةً مُدخلة أو طبقةً سابقةً داخل شبكة عصبية. في سياق الرؤية الحاسوبية (CV)، تعمل هذه الخرائط تمثيلًا داخليًا للبيانات، إذ تبرز أنماطًا محددة مثل الحواف والأنسجة أو الأشكال الهندسية المعقدة التي تعلّم النموذج التعرّف إليها. وبعبارة أساسية، تعمل خرائط الميزات بمثابة "عَيْنَي" الشبكة العصبية الالتفافية (CNN)، فتحوّل قيم البكسلات الخام إلى تجريدات ذات معنى تيسّر مهامًا مثل اكتشاف الأجسام والتصنيف.

الآلية الكامنة وراء خرائط الميزات#

ينشأ إنشاء خريطة الميزات عن العملية الرياضية المعروفة باسم الالتفاف. أثناء هذه العملية، تنزلق مصفوفة صغيرة من المعلمات القابلة للتعلّم، تُسمى النواة أو المرشح، عبر البيانات المُدخلة. وفي كل موضع، تنفّذ النواة عملية ضرب وجمع عنصرًا بعنصر، ما ينتج قيمة واحدة في شبكة المخرجات.

• تنشيط الأنماط: يُدرَّب كل مرشح على البحث عن ميزة محددة. وعندما يصادف المرشح تلك الميزة في المُدخل، تكون القيمة الناتجة في خريطة الميزات مرتفعة، ما يشير إلى تنشيط قوي.
• التدرّج الهرمي المكاني: في بنيات التعلّم العميق (DL)، تُرتَّب خرائط الميزات هرميًا. تنتج الطبقات المبكرة خرائط تكتشف التفاصيل منخفضة المستوى، مثل خطوط اكتشاف الحواف والمنحنيات. وتجمع الطبقات الأعمق هذه الخرائط البسيطة لتكوين تمثيلات عالية المستوى للأجسام المعقدة، مثل الوجوه أو المركبات.
• تغيّرات الأبعاد: مع تقدّم البيانات عبر الشبكة، تعمل عمليات مثل طبقات التجميع عادةً على تقليل الأبعاد المكانية (الارتفاع والعرض) لخرائط الميزات، مع زيادة العمق (عدد القنوات). وتساعد هذه العملية، التي تُسمى غالبًا تقليل الأبعاد، النموذجَ على التركيز على وجود الميزات بدلًا من موقعها الدقيق بالبكسل.

التطبيقات الواقعية#

تُعد خرائط الميزات المحرك الأساسي لتطبيقات الذكاء الاصطناعي الحديثة، إذ تتيح للأنظمة تفسير البيانات المرئية بفهم شبيه بالفهم البشري.

• التشخيص الطبي: في تحليل الصور الطبية، تستخدم النماذج خرائط الميزات لمعالجة صور الأشعة السينية أو فحوصات MRI. وقد تبرز الخرائط المبكرة حدود العظام، بينما تحدد الخرائط الأعمق حالات شاذة مثل الأورام أو الكسور، ما يساعد الأطباء في سيناريوهات الذكاء الاصطناعي في الرعاية الصحية.
• الملاحة الذاتية: تعتمد السيارات ذاتية القيادة اعتمادًا كبيرًا على خرائط الميزات التي تولدها المستشعرات المرئية. وتتيح هذه الخرائط للحاسوب الموجود على متن المركبة التمييز في الوقت الفعلي بين المسارات والمشاة وإشارات المرور، وهو أمر بالغ الأهمية لكي تعمل المركبات ذاتية القيادة بأمان.

العمل مع خرائط الميزات في Python#

مع أن خرائط الميزات هياكل داخلية، فإن فهم أبعادها أمر بالغ الأهمية عند تصميم البنيات. يوضح مثال PyTorch التالي كيفية تحويل طبقة التفاف واحدة لصورة مُدخلة 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 التمييز بين خرائط الميزات والمصطلحات المشابهة لتجنب الالتباس أثناء تدريب النموذج:

• خريطة الميزات مقابل المرشح: المرشح (أو النواة) هو الأداة المستخدمة لمسح الصورة؛ إذ يحتوي على أوزان النموذج. أما خريطة الميزات فهي نتيجة عملية المسح. ويمكنك التفكير في المرشح بوصفه "العدسة"، وفي خريطة الميزات بوصفها "الصورة" الملتقطة عبر تلك العدسة.
• خريطة الميزات مقابل التضمين: مع أن كليهما يمثل البيانات، فإن خرائط الميزات تحتفظ عادةً بالبنى المكانية (الارتفاع والعرض) الملائمة لـالتجزئة الدلالية. وعلى النقيض، تكون التضمينات عادةً متجهات أحادية البعد (1D) مُسطَّحة تلتقط المعنى الدلالي لكنها تتجاهل الترتيب المكاني، وتُستخدم غالبًا في مهام البحث عن التشابه.
• خريطة الميزات مقابل التنشيط: تُطبَّق دالة التنشيط (مثل ReLU) على القيم الموجودة داخل خريطة الميزات لإدخال اللاخطية. وتوجد الخريطة قبل هذه العملية الرياضية وبعدها.

الصلة بنماذج Ultralytics#

في البنيات المتقدمة مثل YOLO26، تؤدي خرائط الميزات دورًا محوريًا في "العمود الفقري" و"الرأس" الخاصين بالنموذج. يستخرج العمود الفقري الميزات بمقاييس مختلفة (هرم الميزات)، ما يضمن قدرة النموذج على اكتشاف الأجسام الصغيرة والكبيرة بفاعلية. ويمكن للمستخدمين الذين يستعينون بـمنصة Ultralytics للتدريب تصور كيفية أداء هذه النماذج، ومراقبة فاعلية خرائط الميزات الأساسية بصورة غير مباشرة من خلال مقاييس مثل الدقة والاستدعاء. ويتطلب تحسين هذه الخرائط تدريبًا مكثفًا على مجموعات بيانات مشروحة، مع الاستفادة غالبًا من تقنيات مثل استخراج الميزات لنقل المعرفة من النماذج المدرَّبة مسبقًا إلى مهام جديدة.