Avgrensningsbokser er avgjørende for objektdeteksjon, og gir en måte å markere objekters plassering på. Objektdeteksjonsmodeller bruker disse boksene til å definere posisjon og dimensjoner for oppdagede objekter i et bilde. Nøyaktig prediksjon av avgrensningsbokser er grunnleggende for å sikre pålitelig objektdeteksjon.

Hvordan CNN-er predikerer koordinater for avgrensningsbokser

Konvolusjonelle nevrale nettverk (CNN-er) behandler bilder gjennom lag med konvolusjoner og pooling for å trekke ut egenskaper. For objektdeteksjon genererer CNN-er feature maps som representerer ulike deler av et bilde. Prediksjon av avgrensningsbokser oppnås vanligvis ved:

1. Uttrekking av egenskapsrepresentasjoner fra bildet;
2. Bruk av en regresjonsfunksjon for å predikere koordinatene til avgrensningsboksen;
3. Klassifisering av de oppdagede objektene innenfor hver boks.

Prediksjoner av avgrensningsbokser representeres som numeriske verdier som tilsvarer:

• (x, y): koordinatene til sentrum av boksen;
• (w, h): bredden og høyden på boksen.

Eksempel: Predikere avgrensningsbokser ved bruk av en forhåndstrent modell

I stedet for å trene en CNN fra bunnen av, kan vi bruke en forhåndstrent modell som Faster R-CNN fra TensorFlow's model zoo for å predikere avgrensningsbokser på et bilde. Under vises et eksempel på hvordan man laster inn en forhåndstrent modell, laster inn et bilde, gjør prediksjoner og visualiserer avgrensningsboksene med klasselabels.

Importer biblioteker

Last inn modell og bilde

Forbehandle bildet

Gjør prediksjon og trekk ut egenskaper for avgrensningsboks

Tegn avgrensningsbokser

Visualiser

Resultat:

Regresjonsbaserte forutsigelser av avgrensningsbokser

En tilnærming for å forutsi avgrensningsbokser er direkte regresjon, der et CNN gir ut fire numeriske verdier som representerer boksens posisjon og størrelse. Modeller som YOLO (You Only Look Once) benytter denne teknikken ved å dele et bilde inn i et rutenett og tilordne forutsigelser av avgrensningsbokser til rutenettcellene.

Direkte regresjon har imidlertid begrensninger:

• Den har utfordringer med objekter av varierende størrelse og sideforhold;
• Den håndterer ikke overlappende objekter effektivt;
• Avgrensningsbokser kan forskyves uforutsigbart, noe som fører til inkonsistens.

Anchor-baserte vs. anchor-frie tilnærminger

Anchor-baserte metoder

Anchor-bokser er forhåndsdefinerte avgrensningsbokser med faste størrelser og sideforhold. Modeller som Faster R-CNN og SSD (Single Shot MultiBox Detector) bruker anchor-bokser for å forbedre nøyaktigheten i forutsigelsene. Modellen forutsier justeringer til anchor-boksene i stedet for å forutsi avgrensningsbokser fra bunnen av. Denne metoden fungerer godt for å oppdage objekter i ulike skalaer, men øker den beregningsmessige kompleksiteten.

Ankerfrie metoder

Ankerfrie metoder, som CenterNet og FCOS (Fully Convolutional One-Stage Object Detection), fjerner forhåndsdefinerte ankerbokser og predikerer i stedet objektenes sentre direkte. Disse metodene gir:

• Enklere modellarkitekturer;
• Raskere inferenshastigheter;
• Bedre generalisering til ukjente objektstørrelser.

Prediksjon av avgrensningsbokser er en viktig komponent i objektdeteksjon, og ulike tilnærminger balanserer nøyaktighet og effektivitet. Mens ankerbaserte metoder forbedrer presisjonen ved å bruke forhåndsdefinerte former, forenkler ankerfrie metoder deteksjonen ved å predikere objektplasseringer direkte. Forståelse av disse teknikkene bidrar til å designe bedre objektdeteksjonssystemer for ulike reelle applikasjoner.