Чому використовують якірні бокси в задачах детекції об'єктів

Якірні бокси — це базове поняття в сучасних моделях детекції об'єктів, таких як Faster R-CNN та YOLO. Вони слугують заздалегідь визначеними еталонними рамками, які допомагають знаходити об'єкти різних розмірів і співвідношень сторін, що робить детекцію швидшою та надійнішою.

Замість того, щоб знаходити об'єкти з нуля, моделі використовують якірні бокси як початкові точки, коригуючи їх для кращого співпадіння з виявленими об'єктами. Такий підхід підвищує ефективність і точність, особливо при роботі з об'єктами різних масштабів.

Різниця між якірним боксом і обмежувальною рамкою

• Якірний бокс: заздалегідь визначений шаблон, який використовується як еталон під час детекції об'єктів;
• Обмежувальна рамка: фінальна передбачена рамка після коригування якірного боксу для відповідності реальному об'єкту.

На відміну від обмежувальних рамок, які динамічно коригуються під час прогнозування, anchor boxes фіксуються у визначених позиціях до початку виявлення об'єктів. Моделі навчаються уточнювати anchor boxes шляхом зміни їх розміру, положення та співвідношення сторін, у підсумку перетворюючи їх на фінальні обмежувальні рамки, що точно відображають знайдені об'єкти.

Як мережа генерує anchor boxes

Anchor boxes застосовуються не безпосередньо до зображення, а до карт ознак, отриманих із зображення. Після виділення ознак набір anchor boxes розміщується на цих картах ознак, змінюючись за розміром і співвідношенням сторін. Вибір форм anchor boxes є критичним і передбачає баланс між виявленням малих і великих об'єктів.

Для визначення розмірів anchor boxes моделі зазвичай використовують поєднання ручного вибору та кластеризаційних алгоритмів, таких як K-Means, для аналізу набору даних і визначення найпоширеніших форм і розмірів об'єктів. Ці попередньо визначені anchor boxes потім застосовуються у різних місцях на картах ознак. Наприклад, модель для виявлення об'єктів може використовувати anchor boxes розмірів (16x16), (32x32), (64x64) із співвідношеннями сторін 1:1, 1:2, and 2:1.

Після визначення цих anchor boxes вони застосовуються до карт ознак, а не до оригінального зображення. Модель призначає кілька anchor boxes кожній позиції на карті ознак, охоплюючи різні форми та розміри. Під час навчання мережа коригує anchor boxes, прогнозуючи зсуви, уточнюючи їхній розмір і положення для кращого відображення об'єктів.

Від anchor box до bounding box

Після призначення anchor boxes об'єктам модель прогнозує зсуви для їх уточнення. Ці зсуви включають:

• Коригування координат центру box;
• Масштабування ширини та висоти;
• Зміщення box для кращого вирівнювання з об'єктом.

Застосовуючи ці перетворення, модель перетворює anchor boxes у фінальні bounding boxes, які максимально точно відповідають об'єктам на зображенні.

Підходи без використання або зі зменшеною кількістю anchor-боксів

Хоча anchor-бокси широко застосовуються, деякі моделі прагнуть зменшити залежність від них або повністю їх усунути:

• Anchor-free методи: моделі, такі як CenterNet і FCOS, визначають розташування об'єктів без попередньо заданих anchor-боксів, що знижує складність;
• Підходи зі зменшеною кількістю anchor-боксів: EfficientDet і YOLOv4 оптимізують кількість anchor-боксів, забезпечуючи баланс між швидкістю виявлення та точністю.

Ці підходи спрямовані на підвищення ефективності виявлення об'єктів при збереженні високої продуктивності, особливо для задач реального часу.

Підсумовуючи, anchor-бокси є важливою складовою детекції об'єктів, допомагаючи моделям ефективно знаходити об'єкти різних розмірів і пропорцій. Проте нові досягнення досліджують способи зменшення або повного усунення anchor-боксів для ще швидшої та гнучкішої детекції.