خرائط الميزات

خريطة الميزات هي الناتج الأساسي الذي يتم إنتاجه عندما يقوم مرشح التحويل بمعالجة صورة مدخلة أو طبقة سابقة داخل شبكة عصبية. في سياق الرؤية الحاسوبية (CV)، تعمل هذه الخرائط ك تمثيل داخلي للبيانات، حيث تسلط الضوء على أنماط محددة مثل الحواف أو القوام أو الأشكال الهندسية المعقدة التي تعلم النموذج التعرف عليها. بشكل أساسي، تعمل خرائط الميزات كـ"عيون" الشبكة العصبية التلافيفية (CNN)، حيث تحول قيم البكسل الخام إلى تجريدات ذات معنى تسهل مهام مثل اكتشاف الكائنات وتصنيفها.

الآلية الكامنة وراء خرائط الميزات

يتم إنشاء خريطة الميزات من خلال عملية حسابية تعرف باسم التلافيف. خلال هذه العملية، تنزلق مصفوفة صغيرة من المعلمات القابلة للتعلم، تسمى النواة أو المرشح، عبر بيانات الإدخال. في كل موضع، تقوم النواة بإجراء عمليات الضرب والجمع على أساس العناصر، مما ينتج عنه قيمة واحدة في شبكة الإخراج.

• تنشيط النمط: يتم تدريب كل مرشح للبحث عن ميزة معينة. عندما يصادف المرشح تلك الميزة في المدخلات، تكون القيمة الناتجة في خريطة الميزات عالية، مما يشير إلى تنشيط قوي .
• التسلسل الهرمي المكاني: في بنى التعلم العميق (DL) ، يتم ترتيب خرائط الميزات بشكل هرمي. تنتج الطبقات المبكرة خرائط detect التفاصيل detect مثل خطوط الكشف عن الحواف والمنحنيات. تجمع الطبقات الأعمق هذه الخرائط البسيطة لتشكل تمثيلات عالية المستوى لأشياء معقدة، مثل الوجوه أو المركبات.
• تغييرات الأبعاد: مع تقدم البيانات عبر الشبكة، عادةً ما تؤدي عمليات مثل طبقات التجميع إلى تقليل الأبعاد المكانية (الارتفاع والعرض) لخرائط الميزات مع زيادة العمق (عدد القنوات). تساعد هذه العملية، التي غالبًا ما تسمى تقليل الأبعاد، النموذج على التركيز على وجود الميزات بدلاً من موقعها الدقيق بالبكسل.

تطبيقات واقعية

خرائط الميزات هي غرفة المحركات لتطبيقات الذكاء الاصطناعي الحديثة، حيث تسمح للأنظمة بتفسير البيانات المرئية بفهم شبيه بالفهم البشري .

• التشخيص الطبي: في تحليل الصور الطبية، تستخدم النماذج خرائط الميزات لمعالجة الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي. قد تبرز الخرائط المبكرة ملامح العظام، بينما تحدد الخرائط الأعمق الشذوذات مثل الأورام أو الكسور، مما يساعد الأطباء في الذكاء الاصطناعي في سيناريوهات الرعاية الصحية.
• الملاحة الذاتية: تعتمد السيارات ذاتية القيادة بشكل كبير على الخرائط المميزة التي يتم إنشاؤها بواسطة أجهزة الاستشعار البصرية. تسمح هذه الخرائط للكمبيوتر الموجود على متن السيارة بالتمييز بين الممرات والمشاة وإشارات المرور في الوقت الفعلي، وهو أمر بالغ الأهمية لتشغيل المركبات الذاتية القيادة بأمان.

العمل مع خرائط الميزات في Python

في حين أن خرائط الميزات هي هياكل داخلية، فإن فهم أبعادها أمر بالغ الأهمية عند تصميم البنى. فيما يلي PyTorch كيف تقوم طبقة تلافيفية واحدة بتحويل صورة مدخلة 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 المماثلة لتجنب الالتباس أثناء تدريب النموذج:

• خريطة الميزات مقابل المرشح: المرشح (أو النواة) هو الأداة المستخدمة لمسح الصورة؛ وهو يحتوي على أوزان النموذج. خريطة الميزات هي نتيجة ذلك المسح. يمكنك التفكير في المرشح على أنه "العدسة" وخريطة الميزات على أنها "الصورة" الملتقطة من خلال تلك العدسة.
• خريطة الميزات مقابل التضمين: في حين أن كلاهما يمثل البيانات، فإن خرائط الميزات عادةً ما تحتفظ بالهياكل المكانية (الارتفاع والعرض) المناسبة للتقسيم الدلالي. في المقابل، عادةً ما تكون التضمينات متساوية، ومتجهات أحادية البعد تلتقط المعنى الدلالي ولكنها تتجاهل التخطيط المكاني، وغالبًا ما تستخدم في مهام البحث عن التشابه.
• خريطة الميزات مقابل التنشيط: يتم تطبيق وظيفة التنشيط (مثل ReLU) على القيم الموجودة في خريطة الميزات لإدخال عدم الخطية. توجد الخريطة قبل وبعد هذه العملية الحسابية .

أهمية Ultralytics

في البنى المتقدمة مثل YOLO26، تلعب خرائط الميزات دورًا محوريًا في "العمود الفقري" و"رأس" النموذج. يستخرج العمود الفقري الميزات على مقاييس مختلفة (هرم الميزات)، مما يضمن قدرة النموذج detect الأجسام الصغيرة والكبيرة بفعالية. يمكن للمستخدمين الذين يستفيدون من Ultralytics للتدريب تصور كيفية أداء هذه النماذج، ومراقبة فعالية خرائط الميزات الأساسية بشكل غير مباشر من خلال مقاييس مثل الدقة والاسترجاع. يتضمن تحسين هذه الخرائط تدريبًا مكثفًا على مجموعات البيانات المُعلّقة، وغالبًا ما يستخدم تقنيات مثل استخراج الميزات لنقل المعرفة من النماذج المدربة مسبقًا إلى المهام الجديدة.