Kursusindhold

Computer Vision Grundlæggende

1. Introduktion til Computer Vision

Hvad er Computer Vision?Grundlæggende Billedbehandling Lineær Algebra til Billedmanipulation

2. Billedbehandling med OpenCV

Grundlæggende Transformationer Fourier-transformering Lavpas- og Højpasfiltre Støjreduktion og Udglatning Histogramudjævning Superopløsningsmetoder Kantdetektion Hjørne- og Blobdetektion

3. Konvolutionelle Neurale Netværk

Introduktion til Konvolutionelle Neurale Netværk Konvolutionslag Pooling-lag Udfladning Aktiveringsfunktioner Oversigt over Populære CNN-Modeller Udfordring: Opbygning af et CNN

4. Objektdetektion

Objektlokalisering Objektgenkendelse Forudsigelser af Afgrænsningsbokse Intersection Over Union (IoU) og Evalueringsmetrikker Ikke-maks-undertrykkelse (NMS)Ankerbokse Oversigt Over YOLO-Modellen Udfordring: Objektdetektion med Brugerdefineret Model og YOLO

5. Oversigt Over Avancerede Emner

Transfer Learning i Computer Vision Oversigt over Ansigtsgenkendelse Oversigt over Billedgenerering

Ankerbokse

Hvorfor bruges anchor-bokse i objektdetektion

Anchor-bokse er et grundlæggende koncept i moderne objektdetektionsmodeller såsom Faster R-CNN og YOLO. De fungerer som foruddefinerede referencebokse, der hjælper med at detektere objekter af forskellige størrelser og størrelsesforhold, hvilket gør detektionen hurtigere og mere pålidelig.

I stedet for at detektere objekter fra bunden bruger modeller anchor-bokse som udgangspunkt og justerer dem for bedre at tilpasse sig de detekterede objekter. Denne tilgang forbedrer effektivitet og nøjagtighed, især ved detektion af objekter i varierende skalaer.

Forskel mellem anchor-boks og bounding box

Anchor-boks: en foruddefineret skabelon, der fungerer som reference under objektdetektion;
Bounding box: den endelige forudsagte boks efter justeringer af en anchor-boks for at matche det faktiske objekt.

I modsætning til bounding bokse, som justeres dynamisk under forudsigelsen, er anchor-bokse fastlagt på specifikke positioner, før nogen objektdetektion finder sted. Modeller lærer at forfine anchor-bokse ved at justere deres størrelse, position og størrelsesforhold, hvilket til sidst omdanner dem til endelige bounding bokse, der nøjagtigt repræsenterer de detekterede objekter.

Hvordan et netværk genererer anchor-bokse

Anchor-bokse anvendes ikke direkte på et billede, men på feature-maps, der er udtrukket fra billedet. Efter feature-ekstraktion placeres et sæt anchor-bokse på disse feature-maps, varierende i størrelse og aspektforhold. Valget af anchor-boks-former er afgørende og indebærer en balance mellem detektering af små og store objekter.

For at definere størrelser på anchor-bokse anvender modeller typisk en kombination af manuel udvælgelse og klyngealgoritmer som K-Means til at analysere datasættet og bestemme de mest almindelige objektformer og -størrelser. Disse foruddefinerede anchor-bokse anvendes derefter på forskellige placeringer på feature-maps. For eksempel kan en objekt-detekteringsmodel anvende anchor-bokse i størrelserne (16x16), (32x32), (64x64), med aspektforhold som 1:1, 1:2, and 2:1.

Når disse anchor-bokse er defineret, anvendes de på feature-maps, ikke det originale billede. Modellen tildeler flere anchor-bokse til hver placering på feature-mappet, så forskellige former og størrelser dækkes. Under træning justerer netværket anchor-boksene ved at forudsige forskydninger, hvilket forfiner deres størrelse og position for bedre at matche objekterne.

Fra anchor-boks til bounding box

Når anchor-bokse er tildelt objekter, forudsiger modellen forskydninger for at forfine dem. Disse forskydninger omfatter:

Justering af boksens centerkoordinater;
Skalering af bredde og højde;
Forskydning af boksen for bedre at tilpasse sig objektet.

Ved at anvende disse transformationer konverterer modellen anchor-bokse til endelige bounding boxes, der nøje matcher objekterne i et billede.

Tilgange uden ankre eller med færre ankre

Selvom ankerbokse er udbredte, forsøger nogle modeller at mindske afhængigheden af dem eller helt undlade dem:

Ankerfri metoder: Modeller som CenterNet og FCOS forudsiger objekters placering direkte uden foruddefinerede ankre, hvilket reducerer kompleksiteten;
Reducerede anker-tilgange: EfficientDet og YOLOv4 optimerer antallet af anvendte ankerbokse for at balancere detektionshastighed og nøjagtighed.

Disse tilgange har til formål at forbedre effektiviteten af objektdetektion og samtidig opretholde høj ydeevne, især til realtidsapplikationer.

Sammenfattende er ankerbokse en central del af objektdetektion, da de hjælper modeller med effektivt at detektere objekter på tværs af forskellige størrelser og billedforhold. Nye fremskridt undersøger dog måder at reducere eller eliminere ankerbokse for endnu hurtigere og mere fleksibel detektion.

1. Hvad er den primære rolle for ankerbokse i objektdetektion?

2. Hvordan adskiller anchor boxes sig fra bounding boxes?

3. Hvilken metode bruges ofte til at bestemme optimale størrelser for anchor boxes?

Hvad er den primære rolle for ankerbokse i objektdetektion?

Select the correct answer

At ændre størrelsen på inputbilledet før behandling

At generere ground truth labels til træning

At filtrere forudsigelser med lav selvtillid fra

At hjælpe med at detektere objekter i forskellige skalaer og billedforhold

Hvordan adskiller anchor boxes sig fra bounding boxes?

Select the correct answer

Anchor boxes genereres dynamisk, mens bounding boxes er foruddefinerede.

Anchor boxes er foruddefinerede skabeloner, mens bounding boxes er de endelige forudsagte objektplaceringer.

Bounding boxes bruges til klassificering, mens anchor boxes bruges til lokalisering.

Anchor boxes bruges kun i klassifikationsnetværk.

Hvilken metode bruges ofte til at bestemme optimale størrelser for anchor boxes?

Select the correct answer

Tilfældig initialisering

Manuel udvælgelse baseret på intuition

Klyngealgoritmer som K-Means på datasættets bounding boxes

Sortering af objekter efter deres pixelværdier

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 4. Kapitel 6

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Kursusindhold

Computer Vision Grundlæggende

1. Introduktion til Computer Vision

Hvad er Computer Vision?Grundlæggende Billedbehandling Lineær Algebra til Billedmanipulation

2. Billedbehandling med OpenCV

Grundlæggende Transformationer Fourier-transformering Lavpas- og Højpasfiltre Støjreduktion og Udglatning Histogramudjævning Superopløsningsmetoder Kantdetektion Hjørne- og Blobdetektion

3. Konvolutionelle Neurale Netværk

Introduktion til Konvolutionelle Neurale Netværk Konvolutionslag Pooling-lag Udfladning Aktiveringsfunktioner Oversigt over Populære CNN-Modeller Udfordring: Opbygning af et CNN

4. Objektdetektion

5. Oversigt Over Avancerede Emner

Transfer Learning i Computer Vision Oversigt over Ansigtsgenkendelse Oversigt over Billedgenerering

Ankerbokse

Hvorfor bruges anchor-bokse i objektdetektion

Forskel mellem anchor-boks og bounding box

Anchor-boks: en foruddefineret skabelon, der fungerer som reference under objektdetektion;
Bounding box: den endelige forudsagte boks efter justeringer af en anchor-boks for at matche det faktiske objekt.

Hvordan et netværk genererer anchor-bokse

Fra anchor-boks til bounding box

Når anchor-bokse er tildelt objekter, forudsiger modellen forskydninger for at forfine dem. Disse forskydninger omfatter:

Justering af boksens centerkoordinater;
Skalering af bredde og højde;
Forskydning af boksen for bedre at tilpasse sig objektet.

Ved at anvende disse transformationer konverterer modellen anchor-bokse til endelige bounding boxes, der nøje matcher objekterne i et billede.

Tilgange uden ankre eller med færre ankre

Selvom ankerbokse er udbredte, forsøger nogle modeller at mindske afhængigheden af dem eller helt undlade dem:

Ankerfri metoder: Modeller som CenterNet og FCOS forudsiger objekters placering direkte uden foruddefinerede ankre, hvilket reducerer kompleksiteten;
Reducerede anker-tilgange: EfficientDet og YOLOv4 optimerer antallet af anvendte ankerbokse for at balancere detektionshastighed og nøjagtighed.

Disse tilgange har til formål at forbedre effektiviteten af objektdetektion og samtidig opretholde høj ydeevne, især til realtidsapplikationer.

1. Hvad er den primære rolle for ankerbokse i objektdetektion?

2. Hvordan adskiller anchor boxes sig fra bounding boxes?

3. Hvilken metode bruges ofte til at bestemme optimale størrelser for anchor boxes?

Hvad er den primære rolle for ankerbokse i objektdetektion?

Select the correct answer

At ændre størrelsen på inputbilledet før behandling

At generere ground truth labels til træning

At filtrere forudsigelser med lav selvtillid fra

At hjælpe med at detektere objekter i forskellige skalaer og billedforhold

Hvordan adskiller anchor boxes sig fra bounding boxes?

Select the correct answer

Anchor boxes genereres dynamisk, mens bounding boxes er foruddefinerede.

Anchor boxes er foruddefinerede skabeloner, mens bounding boxes er de endelige forudsagte objektplaceringer.

Bounding boxes bruges til klassificering, mens anchor boxes bruges til lokalisering.

Anchor boxes bruges kun i klassifikationsnetværk.

Hvilken metode bruges ofte til at bestemme optimale størrelser for anchor boxes?

Select the correct answer

Tilfældig initialisering

Manuel udvælgelse baseret på intuition

Klyngealgoritmer som K-Means på datasættets bounding boxes

Sortering af objekter efter deres pixelværdier

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 4. Kapitel 6