Objektlokalisering

Objektlokalisering är uppgiften att hitta platsen för objekt av intresse i bilder eller videoströmmar och att ange deras positioner. I praktiken innebär det vanligtvis att för varje objekt returneras en bounding box som omger objektet, samt en klassetikett och ofta ett tillhörande tillförlitlighetsvärde (confidence score). Lokalisering i sig fokuserar på var objekten finns; när den kombineras med klassificering kallas uppgiften ofta objektdetektion.

Inom fältet skiljer man mellan gränsboxbaserad lokalisering och mer detaljerad semantisk eller instanslokalisering. Gränsboxbaserade metoder anger koordinater för boxar runt objekt och deras klasser, ofta i realtid. Segmenteringsbaserade metoder ger istället pixelprecisa maskor runt objekten (instanssegmentering eller semantisk segmentering), vilket avviker från enkla boxar men ger mer detaljerad lokalisering.

Vanliga metoder inkluderar regionbaserade nätverk som R-CNN-familjen (R-CNN, Fast R-CNN, Faster R-CNN) samt end-to-end-modeller som YOLO och SSD, vilka ofta är optimerade för realtidsapplicationer. Dessa modeller kan vara anchor-baserade eller anchor-free och används ofta i kombination med större bild- eller videosystem.

Utvärdering av objektlokalisering bygger på mått som IoU (Intersection over Union) mellan den predicerade boxen och markeringarna. Flera mätvärden används som mAP (mean Average Precision) över olika IoU-trösklar, exempelvis AP@IoU=0.5 eller AP@IoU=0.5:0.95. Vanliga dataset för benchmarking inkluderar COCO och PASCAL VOC.

Användningsområden inkluderar autonoma fordon, övervakning, robotik och augumented reality. Utmaningar är occlusion, variation i skala och belysning, snabba objekt och behov av effektivitet i realtid.