Hier volgt een overzicht van de belangrijkste aspecten:

* Representatie op meerdere schalen: Het kernidee is om het beeld op verschillende schaalniveaus te analyseren. Dit is van cruciaal belang omdat interessante objecten in verschillende formaten binnen een afbeelding kunnen verschijnen. Een klein object ver weg zal worden weergegeven door een klein aantal pixels, terwijl een groter object dichtbij veel meer pixels zal bezetten.

* Functie-extractie op elk niveau: Op elk niveau van de piramide worden feature-extractietechnieken (zoals SIFT, SURF, HOG of op deep learning gebaseerde convolutionele lagen) toegepast. Deze technieken identificeren opvallende punten of patronen in het beeld met die specifieke resolutie.

* Hiërarchische structuur: De piramidestructuur organiseert de kenmerkkaarten. Meestal is het laagste niveau de originele afbeelding (of een gedownsampelde versie). Daaropvolgende niveaus worden gegenereerd door het vorige niveau te downsamplen (bijvoorbeeld door de afbeeldingsafmetingen met de helft te verkleinen). Hierdoor ontstaat een hiërarchie waarin lagere niveaus fijne details vastleggen en hogere niveaus de context op grotere schaal vastleggen.

* Doel: Functiepiramides zijn cruciaal voor objectdetectie en beeldsegmentatietaken. Ze maken de detectie van objecten mogelijk, ongeacht hun schaal. Kleine objecten kunnen op lagere niveaus worden gedetecteerd (hoge resolutie), terwijl grotere objecten op hogere niveaus worden gedetecteerd (lagere resolutie). Dit vermijdt de noodzaak om het formaat van de afbeelding meerdere keren te wijzigen, waardoor de efficiëntie wordt verbeterd.

Voorbeelden van implementaties van functiepiramides:

* Gaussiaanse piramide: Een klassieke aanpak waarbij elk niveau wordt gecreëerd door het vorige niveau te vervagen en te downsamplen. Dit wordt vaak gebruikt als basis voor andere piramides.

* Laplace-piramide: Construeert een piramide van verschillen tussen Gaussiaanse piramideniveaus. Het is handig voor beeldreconstructie en analyse met meerdere resoluties.

* Functiepiramidenetwerken (FPN): Een op deep learning gebaseerde architectuur die een functiepiramide bouwt op basis van de functiekaarten van een convolutioneel neuraal netwerk (CNN). Het combineert op effectieve wijze functies met hoge resolutie uit ondiepe lagen met semantische informatie uit diepere lagen, waardoor de objectdetectieprestaties aanzienlijk worden verbeterd. Dit is een state-of-the-art methode.

Samenvattend zijn functiepiramides krachtige hulpmiddelen voor het analyseren van afbeeldingen op meerdere schalen, waardoor objecten van verschillende groottes kunnen worden gedetecteerd en de robuustheid van beeldverwerkingsalgoritmen wordt verbeterd. Ze zijn een fundamenteel concept in de moderne computervisie.