objektdetektion

Objektdetektion är en central uppgift inom datorseende vars syfte är att hitta och klassificera förekomster av objekt av intresse i bilder eller videoströmmar samt ange deras exakta positioner. Resultatet består vanligen av ett antal bounding boxes, varje ruta kopplad till en klass och ofta en tillförlitlighetspoäng. Det skiljer sig från enklare objektklassificering, där hela bilden klassificeras, och från lokalisering utan klassificering.

Metoderna domineras av djupa neurala nätverk. Traditionellt följer det en tvåstegsstruktur där först regioner av intresse övergenereras och sedan klassificeras och lokaliseras; tidigare exempel inkluderar R-CNN, Fast R-CNN och Faster R-CNN. En enstegsmodell gör det i ett enda skede, exempelvis YOLO (You Only Look Once) och SSD (Single Shot Detector). Nyare metoder fokuserar på förbättrad noggrannhet med olika förbättringar som anchor-free strategier och förstärkta nätverksdesigns för bättre små objekt.

Träning kräver stora, märkta dataset som COCO och PASCAL VOC. Annotationer innehåller vanligtvis varje föremåls klass, bounding box-koordinater och ibland segmentation. Modeller förbereds ofta via överföringsinlärning från bildklassificeringsnätverk.

Bedömning används mAP (mean Average Precision) vid olika IoU-trösklar för att mäta både klassificeringsnoggrannhet och lokaliseringsprecision. IoU mäter överlappning mellan förutspådd och sann bounding box.

Användningar sträcker sig från övervakning och trafikanalys till autonoma fordon, robotik, kvalitetskontroll i tillverkning samt bildsökning och medieanalys.

Utmaningar inkluderar variation i belysning, occlusion, små objekt, snabba rörelser och krav på realtidsprestanda. Robustinhet mot dataskillnader och bias samt energi- och beräkningskrav är viktiga forskningsområden.

Framtiden pekar mot 3D-detektion från LIDAR eller stereo, videodetektion i realtid och bättre generalisering med mindre märkta data genom självinlärning och självövervakad träning.