Warum Ankerboxen in der Objekterkennung verwendet werden

Ankerboxen sind ein grundlegendes Konzept in modernen Objekterkennungsmodellen wie Faster R-CNN und YOLO. Sie dienen als vordefinierte Referenzboxen, die dabei helfen, Objekte unterschiedlicher Größen und Seitenverhältnisse zu erkennen, wodurch die Erkennung schneller und zuverlässiger wird.

Anstatt Objekte von Grund auf zu erkennen, verwenden Modelle Ankerboxen als Ausgangspunkte und passen diese an, um erkannte Objekte besser abzubilden. Dieser Ansatz verbessert die Effizienz und Genauigkeit, insbesondere bei der Erkennung von Objekten in verschiedenen Maßstäben.

Unterschied zwischen Ankerbox und Begrenzungsrahmen

• Ankerbox: eine vordefinierte Vorlage, die während der Objekterkennung als Referenz dient;
• Begrenzungsrahmen: der endgültig vorhergesagte Rahmen, nachdem Anpassungen an einer Ankerbox vorgenommen wurden, um das tatsächliche Objekt abzubilden.

Im Gegensatz zu Begrenzungsrahmen, die während der Vorhersage dynamisch angepasst werden, sind Ankerboxen vor der Objekterkennung an bestimmten Positionen festgelegt. Modelle lernen, Ankerboxen zu verfeinern, indem sie deren Größe, Position und Seitenverhältnis anpassen und sie schließlich in endgültige Begrenzungsrahmen umwandeln, die erkannte Objekte präzise darstellen.

Wie ein Netzwerk Ankerboxen generiert

Ankerboxen werden nicht direkt auf ein Bild angewendet, sondern auf Merkmalskarten, die aus dem Bild extrahiert werden. Nach der Merkmalsextraktion wird eine Reihe von Ankerboxen auf diesen Merkmalskarten platziert, die sich in Größe und Seitenverhältnis unterscheiden. Die Auswahl der Formen der Ankerboxen ist entscheidend und erfordert einen Ausgleich zwischen der Erkennung kleiner und großer Objekte.

Zur Definition der Größen von Ankerboxen verwenden Modelle typischerweise eine Kombination aus manueller Auswahl und Clustering-Algorithmen wie K-Means, um den Datensatz zu analysieren und die häufigsten Objektformen und -größen zu bestimmen. Diese vordefinierten Ankerboxen werden dann an verschiedenen Positionen auf den Merkmalskarten angewendet. Ein Beispiel: Ein Objekterkennungsmodell kann Ankerboxen der Größen (16x16), (32x32), (64x64) mit Seitenverhältnissen wie 1:1, 1:2, and 2:1 verwenden.

Sobald diese Ankerboxen definiert sind, werden sie auf Merkmalskarten und nicht auf das Originalbild angewendet. Das Modell weist jedem Ort auf der Merkmalskarte mehrere Ankerboxen zu, die verschiedene Formen und Größen abdecken. Während des Trainings passt das Netzwerk die Ankerboxen an, indem es Offsets vorhersagt, um deren Größe und Position zu verfeinern und besser an die Objekte anzupassen.

Von der Ankerbox zur Begrenzungsbox

Sobald Ankerboxen Objekten zugeordnet sind, sagt das Modell Offsets voraus, um sie zu verfeinern. Diese Offsets umfassen:

• Anpassung der Mittelpunktkoordinaten der Box;
• Skalierung der Breite und Höhe;
• Verschiebung der Box zur besseren Ausrichtung mit dem Objekt.

Durch Anwendung dieser Transformationen wandelt das Modell Ankerboxen in finale Begrenzungsboxen um, die die Objekte im Bild möglichst genau abdecken.

Ansätze ohne oder mit reduzierter Anzahl von Ankerboxen

Obwohl Ankerboxen weit verbreitet sind, zielen einige Modelle darauf ab, deren Verwendung zu reduzieren oder vollständig darauf zu verzichten:

• Ankerfreie Methoden: Modelle wie CenterNet und FCOS sagen Objektpositionen direkt ohne vordefinierte Anker vorher und verringern so die Komplexität;
• Ansätze mit reduzierten Ankern: EfficientDet und YOLOv4 optimieren die Anzahl der verwendeten Ankerboxen und balancieren so Erkennungs­geschwindigkeit und Genauigkeit.

Diese Ansätze zielen darauf ab, die Effizienz der Objekterkennung zu steigern und gleichzeitig eine hohe Leistung beizubehalten, insbesondere für Echtzeitanwendungen.

Zusammenfassend sind Ankerboxen ein wesentlicher Bestandteil der Objekterkennung und ermöglichen es Modellen, Objekte effizient über verschiedene Größen und Seitenverhältnisse hinweg zu erkennen. Neue Entwicklungen erforschen jedoch Möglichkeiten, Ankerboxen zu reduzieren oder ganz zu eliminieren, um eine noch schnellere und flexiblere Erkennung zu ermöglichen.