Receptive Field

في مجال الرؤية الحاسوبية (CV) والتعلم العميق، يشير المجال الاستقبالي إلى المنطقة المحددة من صورة الإدخال التي «يراها» أو يحللها عصبون معين في شبكة عصبية (NN). ومن الناحية المفاهيمية، يعمل بطريقة مشابهة لمجال رؤية العين البشرية أو عدسة الكاميرا. ويحدد مقدار السياق المكاني الذي يمكن للنموذج إدراكه في أي طبقة معينة. ومع تقدم البيانات عبر شبكة عصبية تلافيفية (CNN)، يتسع المجال الاستقبالي عادةً، مما يتيح للنظام الانتقال من تحديد التفاصيل المحلية الصغيرة — مثل الحواف أو الزوايا — إلى فهم البنى المعقدة والشاملة، مثل الأجسام أو المشاهد الكاملة.

آلية المجالات الاستقبالية#

يحدد تصميم الشبكة حجم المجال الاستقبالي وعمقه. ففي الطبقات الأولية، تمتلك العصبونات عادةً مجالًا استقباليًا صغيرًا، وتركز على مجموعة صغيرة من وحدات البكسل لالتقاط النسيج الدقيق. ومع ازدياد عمق الشبكة، تعمل عمليات مثل طبقات التجميع والالتفافات ذات الخطوة على إجراء خفض الدقة لخرائط السمات بفاعلية. وتتيح هذه العملية للعصبونات اللاحقة تجميع المعلومات من جزء أكبر بكثير من الإدخال الأصلي.

صُممت البنى الحديثة، بما في ذلك Ultralytics YOLO26 المتطور، لتحقيق توازن دقيق بين هذه المجالات. فإذا كان المجال الاستقبالي ضيقًا جدًا، فقد يفشل النموذج في التعرف على الأجسام الكبيرة لأنه لا يستطيع إدراك الشكل بالكامل. وعلى العكس، إذا كان المجال واسعًا للغاية من دون الحفاظ على الدقة، فقد يفوّت النموذج الأجسام الصغيرة. ولمعالجة ذلك، يستخدم المهندسون غالبًا الالتفافات المتوسعة (المعروفة أيضًا باسم الالتفافات الأترسية) لتوسيع المجال الاستقبالي من دون تقليل الدقة المكانية، وهي تقنية بالغة الأهمية للمهام عالية الدقة مثل التقسيم الدلالي.

التطبيقات الواقعية#

يُعد تحسين المجال الاستقبالي أمرًا بالغ الأهمية لنجاح مختلف حلول الذكاء الاصطناعي (AI).

• القيادة الذاتية: في الذكاء الاصطناعي للسيارات، يجب على أنظمة الإدراك تتبع التفاصيل الدقيقة والعوائق الكبيرة في الوقت نفسه. تحتاج المركبة إلى مجال استقبالي صغير لتحديد إشارات المرور البعيدة، بينما تحتاج في الوقت ذاته إلى مجال استقبالي كبير لفهم مسار شاحنة قريبة أو انحناء مسار الطريق. ويضمن هذا الإدراك متعدد المقاييس تحسين سلامة الذكاء الاصطناعي واتخاذ القرارات.
• التشخيص الطبي: عند تطبيق الذكاء الاصطناعي في الرعاية الصحية، يعتمد أطباء الأشعة على النماذج لاكتشاف الحالات الشاذة في الصور. ولتحديد أورام الدماغ، تحتاج الشبكة إلى مجال استقبالي كبير لفهم التناظر والبنية العامين للدماغ. أما لاكتشاف التكلسات الدقيقة في تصوير الثدي، فيعتمد النموذج على الطبقات المبكرة ذات المجالات الاستقبالية الصغيرة الحساسة للتغيرات الطفيفة في النسيج.

التمييز بين المفاهيم ذات الصلة#

لفهم تصميم الشبكة فهمًا كاملًا، من المفيد التمييز بين المجال الاستقبالي والمصطلحات المشابهة:

• المجال الاستقبالي مقابل النواة: يحدد حجم النواة (أو المرشح) أبعاد النافذة المنزلقة (مثل 3x3) لعملية التفاف واحدة. أما المجال الاستقبالي فهو خاصية ناشئة تمثل إجمالي مساحة الإدخال المتراكمة التي تؤثر في عصبون ما. وينتج عن تكديس عدة نوى بحجم 3x3 مجال استقبالي أكبر بكثير من 3x3.
• المجال الاستقبالي مقابل خريطة السمات: خريطة السمات هي حجم الإخراج الذي تنتجه طبقة، وتحتوي على التمثيلات المتعلَّمة. ويصف المجال الاستقبالي العلاقة بين نقطة واحدة على خريطة السمات وصورة الإدخال الأصلية.
• المجال الاستقبالي مقابل نافذة السياق: بينما يشير كلا المصطلحين إلى نطاق البيانات المُدرَكة، تُستخدم «نافذة السياق» عادةً في معالجة اللغة الطبيعية (NLP) أو تحليل الفيديو للدلالة على نطاق زمني أو تسلسلي (مثل حد الرموز). أما المجال الاستقبالي فيشير حصريًا إلى المنطقة المكانية في البيانات الشبكية (الصور).

الاستخدام العملي في التعليمات البرمجية#

تستخدم النماذج المتطورة مثل YOLO26 الأحدث شبكات هرم السمات (FPN) للحفاظ على مجالات استقبالية فعالة للأجسام بمختلف أحجامها. يوضح المثال التالي كيفية تحميل نموذج وإجراء اكتشاف الأجسام، مع الاستفادة تلقائيًا من تحسينات البنية الداخلية هذه. ويمكن للمستخدمين الراغبين في تدريب نماذجهم الخاصة باستخدام بُنى محسّنة الاستفادة من منصة Ultralytics لإدارة مجموعات البيانات والتدريب السحابي بسلاسة.

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()