Receptive Field

computer vision (CV) ve derin öğrenme alanında, receptive field, bir neural network (NN) içindeki belirli bir nöronun giriş görüntüsünün hangi özel bölgesini "gördüğünü" veya analiz ettiğini ifade eder. Kavramsal olarak, bir insan gözünün veya kamera lensinin görüş alanına benzer şekilde işlev görür. Bir modelin belirli bir katmanda ne kadar uzamsal bağlam algılayabileceğini belirler. Veriler bir Convolutional Neural Network (CNN) boyunca ilerledikçe, receptive field genellikle genişler ve sistemin kenarlar veya köşeler gibi küçük, yerel detayları tanımlamaktan tüm nesneler veya sahneler gibi karmaşık, küresel yapıları anlamaya geçiş yapmasını sağlar.

Algı Alanlarının Mekaniği#

Receptive field'ın boyutu ve derinliği, ağın mimarisi tarafından belirlenir. İlk katmanlarda nöronlar genellikle küçük bir receptive field'a sahiptir ve ince dokuları yakalamak için küçük bir piksel kümesine odaklanır. Ağ derinleştikçe, pooling layers ve strided convolutions gibi işlemler öznitelik haritalarını etkin bir şekilde downsample eder. Bu süreç, sonraki nöronların orijinal girişin çok daha büyük bir kısmından bilgi birleştirmesine olanak tanır.

Son teknoloji Ultralytics YOLO26 dahil olmak üzere modern mimariler, bu alanları titizlikle dengelemek için tasarlanmıştır. Receptive field çok darsa, model tüm şekli algılayamadığı için büyük nesneleri tanımakta başarısız olabilir. Aksine, alan çözünürlüğü korumadan aşırı derecede genişse, model küçük nesneleri kaçırabilir. Bunu ele almak için mühendisler, semantic segmentation gibi yüksek hassasiyetli görevler için hayati önem taşıyan bir teknik olan, uzamsal çözünürlüğü düşürmeden receptive field'ı genişletmek için dilated convolutions (atrous convolutions olarak da bilinir) kullanır.

Gerçek Dünya Uygulamaları#

Receptive field'ı optimize etmek, çeşitli AI solutions başarısı için çok önemlidir.

• Otonom Sürüş: AI for automotive alanında, algılama sistemleri aynı anda hem ufak detayları hem de büyük engelleri takip etmelidir. Bir aracın uzak trafik ışıklarını tanımlamak için küçük bir receptive field'a ihtiyacı vardır, aynı zamanda yakındaki bir kamyonun yörüngesini veya yol şeridinin eğriliğini anlamak için büyük bir receptive field gerektirir. Bu çok ölçekli algılama, daha iyi bir AI safety ve karar verme süreci sağlar.
• Tıbbi Teşhis: AI in healthcare uygulanırken radyologlar taramalardaki anormallikleri tespit etmek için modellere güvenir. brain tumors tanımlamak için ağ, beynin genel simetrisini ve yapısını anlamak üzere geniş bir receptive field'a ihtiyaç duyar. Bununla birlikte, mamografideki mikro kalsifikasyonları tespit etmek için model, ince doku değişikliklerine duyarlı küçük receptive field'lara sahip erken katmanlara güvenir.

İlgili Kavramları Ayırt Etme#

Ağ tasarımını tam olarak anlamak için, algı alanını benzer terimlerden ayırt etmek faydalıdır:

• Receptive Field ve Kernel: Kernel (veya filtre) boyutu, tek bir convolution işlemi için kayan pencerenin boyutlarını (ör. 3x3) tanımlar. Receptive field, bir nöronu etkileyen toplam birikmiş giriş alanını temsil eden ortaya çıkan bir özelliktir. Birden fazla 3x3 kernel yığını, 3x3'ten çok daha büyük bir receptive field ile sonuçlanacaktır.
• Receptive Field ve Feature Map: Feature map, öğrenilen temsilleri içeren, bir katman tarafından üretilen çıkış hacmidir. Receptive field, bu feature map üzerindeki tek bir nokta ile orijinal giriş görüntüsü arasındaki ilişkiyi açıklar.
• Receptive Field ve Context Window: Her iki terim de algılanan verinin kapsamını ifade ederken, "context window" genellikle Natural Language Processing (NLP) veya video analizinde zamansal veya ardışık bir aralığı (ör. token sınırı) belirtmek için kullanılır. Receptive field kesinlikle ızgara benzeri verilerdeki (görüntüler) uzamsal alanı ifade eder.

Kod İçinde Pratik Kullanım#

Daha yeni YOLO26 gibi en son teknoloji modeller, her boyuttaki nesne için etkili receptive field'ları korumak üzere Feature Pyramid Networks (FPN) kullanır. Aşağıdaki örnek, bu dahili mimari optimizasyonlardan otomatik olarak yararlanarak bir modelin nasıl yükleneceğini ve object detection gerçekleştirileceğini gösterir. Optimize edilmiş mimarilerle kendi modellerini eğitmek isteyen kullanıcılar, kesintisiz veri seti yönetimi ve bulut eğitimi için Ultralytics Platform kullanabilir.

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()