Einführung in die Klassifizierung von Zielerkennungsalgorithmen und deren Bewertungsleistungsindikatoren

Objekterkennung ist eine Aufgabe in der Bildverarbeitung, die dazu dient, Objekte in Bildern oder Videos zu identifizieren und zu lokalisieren. Es spielt eine wichtige Rolle in Anwendungen wie Überwachung, autonomem Fahren und Robotik. Objekterkennungsalgorithmen können grob in zwei Kategorien unterteilt werden, basierend auf der Häufigkeit, mit der das Netzwerk dasselbe Eingabebild verwendet.

Einzelobjekterkennung

Die Einzelobjekterkennung sagt das Vorhandensein und die Position von Objekten in einem Bild in einem einzigen Durchgang voraus und verbessert so die Recheneffizienz.

Allerdings ist die Einzelschuss-Objekterkennung in der Regel nicht so genau wie andere Methoden, insbesondere wenn es um die Erkennung kleiner Objekte geht. Dennoch können diese Algorithmen Objekte in Umgebungen mit begrenzten Ressourcen in Echtzeit erkennen.

Zweifache Objekterkennung

Die Objekterkennung verwendet normalerweise Eingabebilder zweimal, um die Anwesenheit und Position eines Objekts vorherzusagen. Die erste Erkennung generiert eine Reihe von Vorschlägen für potenzielle Objektstandorte, während die zweite Erkennung diese Vorschläge weiter verfeinert und filtert, um letztendlich die genaueste Vorhersage zu erstellen. Obwohl diese Methode genauer ist als die Einzelzielerkennung, erhöht sie auch den Rechenaufwand.

Generell hängt die Wahl zwischen Einzel- und Doppelobjekterkennung von den spezifischen Anforderungen und Randbedingungen der Anwendung ab.

Im Allgemeinen eignet sich die Erkennung einzelner Ziele besser für Echtzeitanwendungen, während die Erkennung zweier Ziele besser für Anwendungen geeignet ist, bei denen es auf Genauigkeit ankommt.

Leistungsbewertungsmetriken für Objekterkennungsmodelle

Um die Vorhersageleistung verschiedener Objekterkennungsmodelle zu bestimmen und zu vergleichen, benötigen wir quantitative Standardmetriken.

Die beiden häufigsten Bewertungsmetriken sind die Metriken „Intersection over Union“ (IoU) und „Average Precision“ (AP).

Intersection over Union (IoU)

IoU (Intersection over Union) ist eine beliebte Metrik zur Messung der Positionierungsgenauigkeit und zur Berechnung von Positionierungsfehlern in Objekterkennungsmodellen.

Um die IoU zwischen dem vorhergesagten und dem Ground-Truth-Begrenzungsrahmen zu berechnen, ermitteln wir zunächst die Schnittfläche zwischen zwei entsprechenden Begrenzungsrahmen desselben Objekts. Danach berechnen wir die Gesamtfläche, die von den beiden Begrenzungsrahmen abgedeckt wird – auch „Vereinigung“ genannt – und den überlappenden Bereich zwischen ihnen, der „Schnittpunkt“ genannt wird.

Intersection dividiert durch Union ergibt das Verhältnis der Überlappung zur Gesamtfläche. Dies kann eine gute Schätzung dafür sein, wie nahe der vorhergesagte Begrenzungsrahmen am ursprünglichen Begrenzungsrahmen liegt.

Durchschnittliche Präzision (AP)

Die durchschnittliche Präzision (AP) wird als Fläche unter der Präzisions-Recall-Kurve für eine Reihe von Vorhersagen berechnet.

Recall wird als Verhältnis der Gesamtvorhersagen des Modells für eine bestimmte Kategorie zur Gesamtzahl der vorhandenen Labels für diese Kategorie berechnet. Präzision ist das Verhältnis der echten positiven Ergebnisse zur Gesamtvorhersage des Modells.

Rückruf und Präzision stellen einen Kompromiss dar, der durch Variation des Klassifizierungsschwellenwerts grafisch als Kurve dargestellt wird. Die Fläche unter dieser Präzisions-Recall-Kurve gibt uns die durchschnittliche Präzision des Modells für jede Klasse. Der Durchschnitt dieses Wertes über alle Kategorien hinweg wird als mittlere Präzision (mAP) bezeichnet.

Das obige ist der detaillierte Inhalt vonEinführung in die Klassifizierung von Zielerkennungsalgorithmen und deren Bewertungsleistungsindikatoren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!