Bildklassifizierung und Objekterkennung im Vergleich: Was unterscheidet die beiden?

Bildverarbeitung umfasst verschiedene Teilgebiete, von denen zwei bedeutende Bildklassifizierung und Objekterkennung sind. Obwohl beide für verschiedene Anwendungen von der Entwicklung autonomer Fahrzeuge bis hin zur Verarbeitung medizinischer Bildgebungsverfahren durch KI von entscheidender Bedeutung sind, ist es wichtig zu verstehen, wie sich Bildklassifizierung von Objekterkennung unterscheidet, um zu wissen, welcher Ansatz für welche Aufgaben geeignet ist. Dieser Artikel thematisiert, wie sich Bildklassifizierung von Objekterkennung unterscheidet, die ihnen zugrunde liegenden Vorgehensweisen und welche Anwendungsfälle beide haben. Ein besseres Verständnis von Bildklassifizierung und Objekterkennung erlaubt es Ihnen, einen besseren Eindruck davon zu bekommen, wie Trainingsdaten für Ihr KI-Projekt in der Bildverarbeitung vorbereitet werden müssen.

Was ist Bildklassifizierung?

Die Bildklassifizierung ist eine der grundlegendsten Methoden im Bereich Computer Vision, mit der Computer, Objekte und Personen in Bildern und Videos identifizieren und verstehen können. Dabei wird einem ganzen Bild basierend auf seinem Inhalt eine Bezeichnung oder Klasse zugewiesen. Einfacher ausgedrückt: Stellen wir uns vor, ein Benutzer stellt einem KI-System die folgende Frage: „Was ist auf diesem Bild?“. Bei einem Bild einer Katze würde ein funktionierendes System zur Bildklassifizierung beispielsweise eine Bezeichnung wie „Katze“ ausgeben. Das Hauptziel der Bildklassifizierung besteht also darin, ein Bild in eine von mehreren vordefinierten Klassen einzuordnen. Diese Aufgabe übernehmen normalerweise ML-Algorithmen, insbesondere Convolutional Neural Networks (CNNs), die sich als äußerst effektiv beim Extrahieren aussagekräftiger Merkmale aus Bildern erwiesen haben.

Vorteile von Bildklassifizierung:

• Qualitativ höherwertige Produkte – Mit integrierter Bildklassifizierung kann Ihr KI-Produkt eine Vielzahl von Aufgaben im Zusammenhang mit Objekterkennung ausführen.
• Realistische Trainingsdaten – Da Produkte in der Lage sein müssen, Objekte in der echten Welt zu erkennen, ist es sinnvoll, Trainingsdaten zu verwenden, die realistisch sind. Das ist bei synthetischen Trainingsdaten nicht immer der Fall.
• Viele praktische Anwendungsfälle – Bildklassifizierung zeichnet sich durch ein breites Anwendungsspektrum aus, zum Beispiel bei der Identifikation von Objekten in Satellitenbildern, in Verkehrsleitsystemen, bei der Erkennung von Bremslichtern und anderen Machine Vision Aufgaben.

Nachteile von Bildklassifizierung:

• Fehler im Klassifizierungsergebnis – Unabhängig davon, wie gründlich Sie ein System zur Bildklassifizierung trainieren, gibt es Fälle, in denen Objekte falsch klassifiziert werden.
• Okklusion – Algorithmen zur Bildklassifizierung reagieren oft empfindlich auf Okklusion, also wenn das Zielobjekt nicht vollständig sichtbar ist. Ein Beispiel wäre ein Bild von einer Katze, die teilweise so von einem Busch verdeckt ist, dass ihre Beine und Körper verborgen sind. In solchen Fällen kann es passieren, dass der Kopf der Katze nicht identifiziert wird, auch wenn er im Blickwinkel deutlich sichtbar ist.
• Rauschen – Die Textur und Farbe der Umgebung kann verhindern, dass Bilder korrekt klassifiziert werden, beispielsweise einen roten Apfel auf einem ähnlich roten Tisch oder ein bestimmtes Fahrzeug in dichtem, sich langsam bewegenden Verkehr zu erkennen.

Wie funktioniert Bildklassifizierung?

Bildklassifizierung beginnt mit der Transformation von unverarbeiteten Rohdaten in Trainingsdaten, die von Computer Vision Algorithmen einfacher konsumiert werden können. Dazu gehören unerwünschte Deformationen zu entfernen und wichtige Teile des Bildes für Maschinen sichtbarer und verständlicher zu machen. Im Anschluss werden Objekte von Interesse in den Bildern lokalisiert und gekennzeichnet.

Anschließend identifizieren Deep-Learning Algorithmen Merkmale und Muster in den Bildern, die für eine bestimmte Bezeichnung spezifisch sein können. Durch das Lernen mit Trainingsdaten können die Algorithmen später Bilder besser klassifizieren, mit denen sie konfrontiert werden und für sie noch unbekannt sind. In einem letzten Schritt werden die evaluierten Bilder basierend auf einer Strategie zur Klassifizierung in vordefinierte Klassen eingeteilt, indem erlernte Merkmale und Muster mit denen in den gesehenen Bildern kontrastiert werden.

Techniken der Bildklassifikation

Es haben sich verschiedene Techniken zur Klassifizierung von Bildern etabliert, deren Verwendung je nach den Anforderungen des Produktes, das entwickelt wird, variiert. Diese umfassen:

• Convolutional Neural Networks (CNN) – Diese Deep-Learning Architekturen sind speziell für die Analyse und Extraktion von Merkmalen aus visuellen Daten konzipiert. Die Convolutional Schicht, die Pooling Schicht und die vollständig verknüpfte Schicht gehören zu den drei Schichten, aus denen ein CNN besteht.
• Transferlernen – Ist eine ML-Technik, bei der das durch einen Datensatz gewonnene Wissen genutzt wird, um die Modellleistung bei einer anderen, verwandten Aufgabe und/oder einem anderen Datensatz zu verbessern. So kann beispielsweise mit einem bereits trainierten System zur Bildklassifizierung begonnen und mit einem eigens dafür vorgesehenen Trainingsdatensatz optimiert werden.
• Support Vector Machines (SVM) – Bei der Klassifikation mit der Support Vector Machine (SVM) wird die optimale Hyperebene zwischen den Klassen gefunden. Aufgrund ihrer Fähigkeit, hochdimensionale Daten zu verarbeiten, eignen sie sich auch für die Bildklassifizierung.

Was ist Objekterkennung?

Objekterkennung ist ein Teilgebiet der Computer Vision, bei der Bilder und Videos auf unterschiedliche Art verarbeitet und analysiert werden, um spezifische Informationen zu extrahieren. Dabei geht es in der Regel darum, Objekte in Bildern oder Videos zu erkennen und zu lokalisieren. Die Objekterkennung ist ein wichtiges Anwendungsfeld von Deep Learning und Machine Learning Algorithmen. Diese sind in der Lage, Objekte zu identifizieren und deren Koordinaten zurückzugeben. Sie geben auch einen Confidence-Wert an, wie sicher die Genauigkeit der Prognose ist. Objekterkennung ist eine Schlüsseltechnologie bei der Entwicklung autonomer Fahrzeuge, die mit ihr beispielsweise Verkehrsschilder erkennen oder Verkehrsteilnehmer von einer Ampel unterscheiden können.

Vorteile von Objekterkennung:

• Verbesserte Genauigkeit – Die Objekterkennung erhöht die Genauigkeit von KI-Systemen, da sie auf größere Informationsmengen zugreifen können.
• Automatisches Erlernen neuer Funktionen – Ein in Objekterkennung trainiertes KI-System kann neue Funktionen und Funktionalitäten aus Daten lernen. Das bedeutet, dass es nicht neu entwickelt werden muss, um mit neuen Fähigkeiten ausgestattet zu werden.
• Analyse komplexer Daten – Mittels Objekterkennung können KI-Systeme große und komplizierte Datensätze verarbeiten, was für andere Methoden nicht machbar oder zu zeitaufwendig wäre.

Nachteile von Objekterkennung:

• Unterschiedliche Blickwinkel – Auch bei der Objekterkennung kann ein und dasselbe Objekt aus unterschiedlichen Blickwinkeln nicht immer als dasselbe erkennbar sein. Deshalb müssen Trainingsdatensätze bei der Objekterkennung Bilder der zu erkennenden Objekte aus verschiedenen Blickwinkeln enthalten.
• Form der Objekte – Viele Objekte in der realen Welt sind keine starren Körper, sondern ändern ihre Form. Ein Algorithmus zur Objekterkennung, der gelernt hat, Passanten zu identifizieren, kann möglicherweise keine Schwimmer identifizieren. Das liegt daran, dass die Merkmale von Schwimmern nicht mit den Merkmalen übereinstimmen, die der Algorithmus während des Trainings erkennen sollte (Passanten).
• Lichtverhältnisse – Auf Pixelebene haben Lichtverhältnisse einen tiefgreifenden Effekt, wie Algorithmen zur Objekterkennung das Objekt wahrnehmen, da dasselbe Objekt in unterschiedlichen Farbtönen erscheinen kann. Wenn Trainingsdaten dies nicht berücksichtigen, kann sich dies auf die Robustheit des Algorithmus auswirken.

Wie funktioniert Objekterkennung?

Menschen können interessante Objekte in Bildern oder Videos in wenigen Sekunden mühelos identifizieren und finden. Maschinen müssen diese Fähigkeit in mühsamer Kleinarbeit lernen. Moderne Ansätze zur Objekterkennung setzen dabei mittlerweile meist auf maschinelles Lernen oder Deep Learning. Bei der Entwicklung eines Modells zur Objekterkennung, gibt es grob zwei unterschiedliche Vorgehensweisen:

• Erstellen und Trainieren eines eigenen Modells zur Objekterkennung – Sie müssen eine Netzwerkarchitektur, beispielsweise ein Region Proposal Network (RPN) entwerfen, das die Eigenschaften der interessierenden Objekte erlernen kann. Dieses müssen Sie dann mit einem umfangreichen Trainingsdatensatz trainieren, der unterschiedliche Formen, Lichtverhältnisse, usw. berücksichtigt. Ein robustes Netzwerk für Objekterkennung kann erstaunliche Ergebnisse liefern. Allerdings erfordert das manuelle Konfigurieren der Schichten und Gewichte viel Zeit und ausgewogene Trainingsdaten.

• Vorkonfigurierte Modelle zur Objekterkennung – Mittels Transferlernen können Sie ein bereits trainiertes Netzwerk für Ihre Anwendung optimieren. Diese Vorgehensweise wird oft mit Deep-Learning kombiniert, da vorkonfigurierte Modelle zur Objekterkennung mit tausenden oder millionen Bildern bereits trainiert wurden und der Aufwand für die Optimierung geringer ist als ein vollkommen neues Netzwerk zu entwerfen und trainieren.

Unterschiede zwischen Bildklassifizierung und Objekterkennung

Bildklassifizierung und Objekterkennung sind zwei bedeutende Teilbereiche in Computer Vision. Jede dient unterschiedlichen Zwecken und erfordert unterschiedliche Methoden. Hier sind die wichtigsten Unterschiede zwischen ihnen:

• Unterschiedliche Aufgaben – Das Hauptziel der Bildklassifizierung besteht darin, ein ganzes Bild in eine von mehreren vordefinierten Klassen einzuordnen. Bei der Objekterkennung geht es darum, bestimmte Objekte in einem Bild zu identifizieren und zu lokalisieren sowie diesen Objekten Klassenbezeichnungen zuzuweisen.
• Ausgabeformat – Die Ausgabe bei der Bildklassifizierung ist ein einzelnes Label für jedes Bild, das die Klasse des gesamten Bildes angibt. Bei der Objekterkennung besteht die Ausgabe aus mehreren Begrenzungsrahmen, von denen jeder ein im Bild erkanntes Objekt umschließt.
• Methodik – Beiden unterliegen in der Regel neuronale Netzwerke. Bei der Bildklassifizierung werden allerdings häufiger Convolutional Neural Networks (CNNs) verwendet, bei der Objekterkennung häufiger Region Proposal Networks (RPN), die mögliche Begrenzungsrahmen generieren und in Kombination mit einem Klassifikator den Begrenzungsrahmen Klassenbezeichnungen zuweisen.

Ähnlichkeiten zwischen Bildklassifizierung und Objekterkennung

Trotz einiger Unterschiede zwischen Bildklassifizierung und Objekterkennung, gibt es aber auch einige Gemeinsamkeiten zwischen den beiden, insbesondere der Rückgriff auf Computer Vision Techniken und auch hinsichtlich ihren Anwendungsbereichen. Gemeinsamkeiten umfassen:

• Beide nutzen Deep Learning: Sowohl bei der Bildklassifizierung als auch bei der Objekterkennung werden Deep-Learning Techniken zur Extraktion und Klassifizierung bestimmter Merkmale verwendet, insbesondere Convolutional Neural Networks. Diese haben sich beim Erlernen hierarchischer Bilddarstellungen als äußerst effektiv erwiesen und ermöglichen eine genaue Erkennung und Erfassung von Objekten.
• Beide befassen sich mit KI-gestützter visueller Erkennung: Bei beiden geht es letztendlich um visuelle Erkenntnis. Während sich die Bildklassifizierung auf die Klassifizierung ganzer Bilder in vordefinierte Klassen konzentriert, befasst sich die Objekterkennung mit der Identifizierung und Lokalisierung bestimmter Objekte in Bildern. Beide Aufgaben erfordern allerdings ein Verständnis des visuellen Inhalts von Bildern und das Extrahieren aussagekräftiger Merkmale, um genaue Vorhersagen treffen zu können.
• Digitale Bildanpassung: Die noch vor der Datenannotation stattfindende digitale Bildanpassung unterscheidet sich bei der Bildklassifizierung und der Objekterkennung kaum und umfasst Schritte wie Größenänderung oder Normalisierung. Die digitale Bildanpassung trägt dazu bei, die Leistung und Robustheit der Deep-Learning Modellen zu verbessern, indem sie die Qualität und Vielfalt der Trainingsdaten verbessert.

Zusammenfassung

Bildklassifizierung und Objekterkennung unterscheiden sich vor allem in ihren Zielen und Methoden, weisen aber auch Gemeinsamkeiten auf, vor allem in der in der Nutzung von Deep Learning, Ihrem Fokus auf visueller Erkennung, die digitale Bearbeitung der Bilder bei der Erstellung von Trainingsdaten, der Rückgriff auf Transferlernen und ihre kontinuierliche Weiterentwicklung. Ein grundlegendes Verständnis dieser Ähnlichkeiten bietet Einblicke in die breitere Computer Vision Landschaft und ihre verschiedenen Teilbereiche.

Häufig gestellte Fragen

1.  Sind Bildklassifizierung und Objekterkennung dasselbe?

Bildklassifizierung und Objekterkennung sind zwei unterschiedliche Teilbereiche von Computer Vision. Obwohl es bei beiden um die Analyse und das Verständnis visueller Inhalte geht, dienen sie unterschiedlichen Zwecken und erfordern unterschiedliche Ansätze.

2. Was ist der Unterschied zwischen Bildsegmentierung und Objekterkennung?

Ziel der Bildsegmentierung ist es, ein Bild auf Grundlage von Informationen auf Pixelebene in mehrere Segmente oder Regionen aufzuteilen. Ziel ist es, Pixel, die zum selben Objekt oder zur selben Region gehören, zu gruppieren und sie gleichzeitig von Pixeln zu trennen, die zu anderen Objekten oder Hintergründen gehören. Bei der Objekterkennung hingegen geht es darum, bestimmte Objekte innerhalb eines Bildes zu identifizieren und zu lokalisieren sowie diesen Objekten Klassenbezeichnungen zuzuweisen. Der Rest des Bildes spielt dabei nur als nicht-Objekt eine Rolle.

3. Welche Rolle spielt die Objekterkennung bei der Bildverarbeitung?

Objekterkennung in der Bildverarbeitung bezieht sich auf die Aufgabe, Objekte in digitalen Bildern zu identifizieren und zu klassifizieren. Als Teilbereich von Computer Vision finden sich zahlreiche Anwendungsfelder, darunter in der Entwicklung autonomer Fahrzeuge, in der Robotik, in Überwachungstechnologien, im Gesundheitswesen und in Augmented Reality Anwendungen. Maschinelle Lernsysteme zur Bilderkennung analysieren den visuellen Inhalt von Bildern, um das Vorhandensein, den Standort und die Kategorie bestimmter Objekte von Interesse zu bestimmen.