Objektdetektering

Objektdetektering är en del av datorseende som innebär att hitta och klassificera objekt av intresse i bilder eller videor samt att lokalisera deras positioner.

Vanligen levereras resultat i form av en lista med objektstyp, tillhörande bounding box och en tillförlitlighetsgrad. I vissa sammanhang kan även segmentering (pixlar som tillhör objektet) eller 3D-positionering tillhandahållas.

Historiskt byggdes objektdetektering på handgjorda funktioner som Haar-cascades och HOG plus klassificerare som SVM. Idag domineras fältet av djupa neurala nätverk som lär sig funktioner direkt från data. Bland välkända arkitekturer märks R-CNN-familjen (R-CNN, Fast R-CNN, Faster R-CNN), You Only Look Once (YOLO), Single Shot MultiBox Detector (SSD), RetinaNet och DETR.

Vanliga datasets är COCO och PASCAL VOC, som används både för träning och utvärdering. Utvärderingar rapporteras ofta som medelprecisionsmått (mAP) över olika IoU-trösklar och klasser.

Användningar finns inom fordons- och autonoma system, övervakning och säkerhet, robotik, augmenterad verklighet samt medicinsk bildbehandling där man till exempel kan lokalisera kärl eller tumörer.

Utmaningar inkluderar occlusion, variation i belysning och perspektiv, små objekt, realtidsprestanda, samt bias i data och integritetsfrågor.

Framtiden pekar mot bättre robusthet, 3D- och multimodal detektering, lättare träningsdata med självövervakad inlärning samt snabbare och energieffektiva modeller.