Objektdeteksjon er et viktig fremskritt utover bildeklassifisering og lokalisering. Mens klassifisering avgjør hvilket objekt som er til stede i et bilde, og lokalisering identifiserer hvor et enkelt objekt befinner seg, utvider objektdeteksjon dette ved å gjenkjenne flere objekter og deres plasseringer i et bilde.

Hva skiller objektdeteksjon?

I motsetning til klassifisering, som tilordner én enkelt etikett til et helt bilde, innebærer objektdeteksjon både klassifisering og lokalisering for flere objekter. En deteksjonsmodell må forutsi avgrensningsbokser rundt hvert objekt og klassifisere dem korrekt. Dette gjør objektdeteksjon til en mer kompleks og ressurskrevende oppgave enn enkel klassifisering.

Sliding Window-metoden og dens begrensninger

En tradisjonell metode for objektdeteksjon er sliding window-metoden, der et vindu med fast størrelse beveger seg over et bilde for å klassifisere hver seksjon. Selv om metoden er konseptuelt enkel, har den flere begrensninger:

• Krevende ressursbruk: krever skanning av bildet på flere skalaer og posisjoner, noe som gir høy behandlingstid;

• Faste vindusstørrelser: objekter varierer i størrelse og proporsjoner, noe som gjør faste vinduer ineffektive;

• Redundante beregninger: overlappende vinduer behandler gjentatte ganger lignende bilderegioner, noe som sløser med ressurser.

På grunn av disse ineffektivitetene har dyp læringsbaserte metoder for objektdeteksjon i stor grad erstattet sliding window-metoden.

Regionbaserte metoder: Selective Search & Region Proposal Networks (RPN)

For å forbedre effektiviteten foreslår regionbaserte metoder Regions of Interest (RoIs) i stedet for å skanne hele bildet. To hovedteknikker er:

• Selective search: en tradisjonell tilnærming som grupperer lignende piksler til regionforslag, noe som reduserer antall prediksjoner av avgrensningsbokser. Selv om det er mer effektivt enn glidende vinduer, er det fortsatt tregt;

• Region proposal networks (RPNs): brukt i Faster R-CNN, benytter RPNs et nevralt nettverk for å generere potensielle objektregioner direkte, noe som gir betydelig bedre hastighet og nøyaktighet enn selective search.

Tidlige dyp læring-baserte tilnærminger

Dyp læring revolusjonerte objektdeteksjon ved å introdusere convolutional neural networks (CNNs) i deteksjonspipelinen. Noen av de banebrytende modellene inkluderer:

• R-CNN (Regions with CNNs): denne metoden anvender en CNN på hvert regionforslag generert av selective search. Selv om den er betydelig mer nøyaktig enn tradisjonelle metoder, er den beregningsmessig treg på grunn av gjentatte CNN-evalueringer;

• Fast R-CNN: en forbedring over R-CNN, denne modellen prosesserer hele bildet med en CNN først og bruker deretter RoI pooling for å trekke ut egenskaper for klassifisering, noe som øker deteksjonshastigheten;

• Faster R-CNN: introduserer region proposal networks (RPNs) for å erstatte selective search, noe som gjør objektdeteksjon raskere og mer nøyaktig ved å integrere regionforslagsgenerering i selve det nevrale nettverket.

Objektdeteksjon bygger på klassifisering og lokalisering, og gjør det mulig for modeller å gjenkjenne flere objekter i et bilde. Tradisjonelle metoder som glidende vinduer har blitt erstattet av mer effektive regionbaserte teknikker som R-CNN og dens etterfølgere. Faster R-CNN, med bruk av region proposal networks, representerer et betydelig steg mot sanntids, høy-nøyaktig objektdeteksjon. Etter hvert som vi går videre, vil mer avanserte teknikker som YOLO og SSD ytterligere forbedre deteksjonshastighet og effektivitet.