Objekterkennung stellt einen entscheidenden Fortschritt gegenüber der Bildklassifikation und Lokalisierung dar. Während die Klassifikation bestimmt, welches Objekt in einem Bild vorhanden ist, und die Lokalisierung angibt, wo sich ein einzelnes Objekt befindet, erweitert die Objekterkennung dies, indem sie mehrere Objekte und deren Positionen innerhalb eines Bildes erkennt.

Was unterscheidet die Objekterkennung?

Im Gegensatz zur Klassifikation, die einem gesamten Bild ein einzelnes Label zuweist, umfasst die Objekterkennung sowohl Klassifikation als auch Lokalisierung für mehrere Objekte. Ein Erkennungsmodell muss Begrenzungsrahmen (Bounding Boxes) für jedes Objekt vorhersagen und diese korrekt klassifizieren. Dadurch ist die Objekterkennung eine komplexere und rechnerisch aufwendigere Aufgabe als die einfache Klassifikation.

Sliding-Window-Ansatz & seine Einschränkungen

Eine traditionelle Methode zur Objekterkennung ist der Sliding-Window-Ansatz, bei dem ein Fenster fester Größe über das Bild verschoben wird, um jeden Abschnitt zu klassifizieren. Obwohl das Konzept einfach ist, gibt es mehrere Einschränkungen:

• Hoher Rechenaufwand: Das Bild muss auf mehreren Skalen und Positionen durchsucht werden, was zu langen Verarbeitungszeiten führt;
• Starre Fenstergrößen: Objekte variieren in Größe und Seitenverhältnis, wodurch feste Fenstergrößen ineffizient sind;
• Redundante Berechnungen: Überlappende Fenster verarbeiten wiederholt ähnliche Bildbereiche und verschwenden Ressourcen.

Aufgrund dieser Ineffizienzen wurden Sliding-Window-Ansätze weitgehend durch Deep-Learning-basierte Methoden zur Objekterkennung ersetzt.

Regionenbasierte Methoden: Selective Search & Region Proposal Networks (RPN)

Zur Effizienzsteigerung schlagen regionenbasierte Methoden Regions of Interest (RoIs) vor, anstatt das gesamte Bild zu durchsuchen. Zwei Haupttechniken sind:

• Selective Search: ein traditioneller Ansatz, der ähnliche Pixel zu Regionen zusammenfasst und so die Anzahl der Bounding-Box-Vorhersagen reduziert. Obwohl effizienter als Sliding Windows, bleibt die Methode langsam;

• Region Proposal Networks (RPNs): eingesetzt in Faster R-CNN, verwenden RPNs ein neuronales Netzwerk, um potenzielle Objektregionen direkt zu generieren, was Geschwindigkeit und Genauigkeit gegenüber Selective Search deutlich verbessert.

Frühe Deep-Learning-basierte Ansätze

Deep Learning revolutionierte die Objekterkennung durch die Einführung von Convolutional Neural Networks (CNNs) in die Erkennungs-Pipelines. Zu den wegweisenden Modellen gehören:

• R-CNN (Regions with CNNs): dieses Verfahren wendet ein CNN auf jede durch Selective Search generierte Region an. Es ist deutlich genauer als traditionelle Methoden, jedoch aufgrund mehrfacher CNN-Auswertungen rechnerisch langsam;

• Fast R-CNN: eine Verbesserung gegenüber R-CNN, dieses Modell verarbeitet das gesamte Bild zunächst mit einem CNN und verwendet anschließend RoI Pooling, um Merkmale für die Klassifikation zu extrahieren, was die Erkennung beschleunigt;

• Faster R-CNN: führt Region Proposal Networks (RPNs) ein, um Selective Search zu ersetzen, wodurch die Objekterkennung schneller und genauer wird, da die Regionenvorschläge direkt im neuronalen Netzwerk generiert werden.

Die Objekterkennung baut auf Klassifikation und Lokalisierung auf und ermöglicht es Modellen, mehrere Objekte innerhalb eines Bildes zu erkennen. Traditionelle Methoden wie Sliding Windows wurden durch effizientere regionenbasierte Techniken wie R-CNN und dessen Nachfolger ersetzt. Faster R-CNN mit dem Einsatz von Region Proposal Networks stellt einen bedeutenden Schritt in Richtung Echtzeit- und hochgenauer Objekterkennung dar. Zukünftig werden fortschrittlichere Techniken wie YOLO und SSD die Erkennungsgeschwindigkeit und Effizienz weiter verbessern.