Por que Anchor Boxes são utilizadas em detecção de objetos

Anchor boxes são um conceito fundamental em modelos modernos de detecção de objetos, como Faster R-CNN e YOLO. Elas servem como caixas de referência predefinidas que auxiliam na detecção de objetos de diferentes tamanhos e proporções, tornando o processo de detecção mais rápido e confiável.

Em vez de detectar objetos do zero, os modelos utilizam anchor boxes como pontos de partida, ajustando-as para se adequarem melhor aos objetos detectados. Essa abordagem melhora a eficiência e a precisão, especialmente na detecção de objetos em diferentes escalas.

Diferença entre Anchor Box e Bounding Box

• Anchor Box: modelo predefinido que atua como referência durante a detecção de objetos;
• Bounding Box: caixa final prevista após os ajustes feitos em uma anchor box para corresponder ao objeto real.

Diferentemente das bounding boxes, que são ajustadas dinamicamente durante a previsão, as anchor boxes são fixadas em posições específicas antes de qualquer detecção de objeto. Os modelos aprendem a refinar as anchor boxes ajustando seu tamanho, posição e proporção, transformando-as, por fim, em bounding boxes finais que representam com precisão os objetos detectados.

Como uma Rede Gera Anchor Boxes

Anchor boxes não são aplicadas diretamente à imagem, mas sim aos mapas de características extraídos da imagem. Após a extração de características, um conjunto de anchor boxes é posicionado nesses mapas de características, variando em tamanho e proporção. A escolha dos formatos das anchor boxes é fundamental e envolve um equilíbrio entre a detecção de objetos pequenos e grandes.

Para definir os tamanhos das anchor boxes, os modelos normalmente utilizam uma combinação de seleção manual e algoritmos de agrupamento como o K-Means para analisar o conjunto de dados e determinar os formatos e tamanhos de objetos mais comuns. Essas anchor boxes predefinidas são então aplicadas em diferentes locais nos mapas de características. Por exemplo, um modelo de detecção de objetos pode utilizar anchor boxes de tamanhos (16x16), (32x32), (64x64), com proporções como 1:1, 1:2, and 2:1.

Após a definição dessas anchor boxes, elas são aplicadas aos mapas de características, e não à imagem original. O modelo atribui múltiplas anchor boxes a cada local do mapa de características, cobrindo diferentes formatos e tamanhos. Durante o treinamento, a rede ajusta as anchor boxes prevendo deslocamentos, refinando seu tamanho e posição para melhor se adequar aos objetos.

De Anchor Box a Bounding Box

Após a atribuição das anchor boxes aos objetos, o modelo prevê deslocamentos para refiná-las. Esses deslocamentos incluem:

• Ajuste das coordenadas do centro da caixa;
• Escalonamento da largura e altura;
• Deslocamento da caixa para melhor alinhamento com o objeto.

Ao aplicar essas transformações, o modelo converte as anchor boxes em bounding boxes finais que correspondem de forma mais precisa aos objetos em uma imagem.

Abordagens Que Não Utilizam Anchors ou Reduzem Seu Número

Embora as anchor boxes sejam amplamente utilizadas, alguns modelos buscam reduzir a dependência delas ou eliminá-las completamente:

• Métodos anchor-free: modelos como CenterNet e FCOS predizem diretamente as localizações dos objetos sem anchors predefinidos, reduzindo a complexidade;
• Abordagens com menos anchors: EfficientDet e YOLOv4 otimizam a quantidade de anchor boxes utilizadas, equilibrando velocidade de detecção e precisão.

Essas abordagens visam melhorar a eficiência da detecção de objetos mantendo alto desempenho, especialmente para aplicações em tempo real.

Em resumo, as anchor boxes são parte fundamental da detecção de objetos, auxiliando os modelos a detectar objetos de forma eficiente em diferentes tamanhos e proporções. No entanto, novos avanços estão explorando maneiras de reduzir ou eliminar as anchor boxes para uma detecção ainda mais rápida e flexível.