Receptive Field

في مجال computer vision (CV) والتعلم العميق، يشير حقل الاستقبال إلى المنطقة المحددة من صورة الإدخال التي "يراها" أو يحللها عصبون معين في neural network (NN). من الناحية المفاهيمية، يعمل بشكل مشابه لمجال الرؤية للعين البشرية أو عدسة الكاميرا. وهو يحدد مقدار السياق المكاني الذي يمكن للنموذج إدراكه في أي طبقة معينة. مع تقدم البيانات عبر Convolutional Neural Network (CNN)، يتسع حقل الاستقبال عادةً، مما يسمح للنظام بالانتقال من تحديد التفاصيل المحلية الدقيقة - مثل الحواف أو الزوايا - إلى فهم الهياكل العالمية المعقدة مثل الكائنات أو المشاهد بأكملها.

آليات عمل مجالات الاستقبال#

يتم تحديد حجم وعمق حقل الاستقبال بواسطة هندسة الشبكة. في الطبقات الأولية، عادة ما يكون للعصبونات حقل استقبال صغير، مع التركيز على مجموعة صغيرة من وحدات البكسل لالتقاط الأنسجة الدقيقة. مع تعمق الشبكة، تعمل العمليات مثل pooling layers و strided convolutions بشكل فعال على downsample خرائط الميزات. تتيح هذه العملية للعصبونات اللاحقة تجميع المعلومات من جزء أكبر بكثير من الإدخال الأصلي.

تم هندسة البنى الحديثة، بما في ذلك طراز Ultralytics YOLO26 المتطور، لتحقيق التوازن بين هذه الحقول بدقة متناهية. إذا كان حقل الاستقبال ضيقًا للغاية، فقد يفشل النموذج في التعرف على الكائنات الكبيرة لأنه لا يستطيع إدراك الشكل بأكمله. وعلى العكس من ذلك، إذا كان الحقل واسعًا بشكل مفرط دون الحفاظ على الدقة، فقد يفقد النموذج الكائنات الصغيرة. لمعالجة هذه المشكلة، غالبًا ما يستخدم المهندسون dilated convolutions (المعروفة أيضًا باسم التلافيف المخففة) لتوسيع حقل الاستقبال دون تقليل الدقة المكانية، وهي تقنية حيوية للمهام عالية الدقة مثل semantic segmentation.

تطبيقات العالم الحقيقي#

يعد تحسين حقل الاستقبال أمرًا بالغ الأهمية لنجاح مختلف AI solutions.

• القيادة الذاتية: في مجال AI for automotive، يجب أن تتبع أنظمة الإدراك التفاصيل الدقيقة والعوائق الكبيرة في نفس الوقت. تحتاج السيارة إلى حقل استقبال صغير لتحديد إشارات المرور البعيدة، بينما تتطلب في الوقت نفسه حقل استقبال كبيرًا لفهم مسار شاحنة قريبة أو انحناء مسار الطريق. تضمن هذه الرؤية متعددة المقاييس AI safety بشكل أفضل واتخاذ قرارات أفضل.
• التشخيص الطبي: عند تطبيق AI in healthcare، يعتمد أطباء الأشعة على النماذج رصد الشذوذ في عمليات المسح. لتحديد brain tumors، تتطلب الشبكة حقل استقبال كبيرًا لفهم تناظر الدماغ وهيكله العام. ومع ذلك، لاكتشاف التكلسات الدقيقة في تصوير الثدي بالأشعة السينية، يعتمد النموذج على الطبقات المبكرة ذات حقول الاستقبال الصغيرة الحساسة لتغييرات النسيج الدقيقة.

التمييز بين المفاهيم ذات الصلة#

لفهم تصميم الشبكة بشكل كامل، من المفيد التمييز بين مجال الاستقبال والمصطلحات المشابهة:

• حقل الاستقبال مقابل Kernel: يحدد حجم النواة (أو المرشح) أبعاد النافذة المنزلقة (على سبيل المثال، 3x3) لعملية convolution واحدة. حقل الاستقبال هو خاصية ناشئة تمثل إجمالي منطقة الإدخال المتراكمة التي تؤثر على عصبون واحد. ستؤدي مجموعة من أنوية 3x3 متعددة إلى حقل استقبال أكبر بكثير من 3x3.
• حقل الاستقبال مقابل Feature Map: خريطة الميزات هي حجم الإخراج الناتج عن طبقة، والتي تحتوي على التمثيلات المستفادة. يصف حقل الاستقبال العلاقة بين نقطة واحدة على خريطة الميزات تلك وصورة الإدخال الأصلية.
• حقل الاستقبال مقابل Context Window: بينما يشير كلا المصطلحين إلى نطاق البيانات المتصورة، يتم استخدام "نافذة السياق" عادةً في Natural Language Processing (NLP) أو تحليل الفيديو للإشارة إلى مدى زمني أو متسلسل (على سبيل المثال، حد الرموز). يشير حقل الاستقبال بشكل صارم إلى المساحة المكانية في البيانات شبكية الشكل (الصور).

الاستخدام العملي في الكود#

تستفيد النماذج المتطورة مثل YOLO26 الأحدث من شبكات هرم الميزات (FPN) للحفاظ على حقول استقبال فعالة للكائنات بجميع أحجامها. يوضح المثال التالي كيفية تحميل نموذج وإجراء object detection، والاستفادة من هذه التحسينات المعمارية الداخلية تلقائيًا. يمكن للمستخدمين الراغبين في تدريب نماذجهم الخاصة ببنى محسنة استخدام Ultralytics Platform لإدارة سلسة لمجموعات البيانات والتدريب السحابي.

from ultralytics import YOLO

# Load the latest YOLO26 model with optimized multi-scale receptive fields
model = YOLO("yolo26n.pt")

# Run inference; the model aggregates features from various receptive field sizes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results, detecting both large (bus) and small (person) objects
results[0].show()