Anchor Box
Vordefinierte Bounding Boxes verschiedener Größen und Seitenverhältnisse, die als Startpunkte für Objekterkennung dienen.
Anchor Boxes sind vordefinierte Bounding-Box-Templates in Object-Detection-Modellen – moderne Anchor-free Methoden wie DETR und FCOS eliminieren sie.
Erklärung
Object-Detection-Modelle wie Faster R-CNN, SSD und frühere YOLO-Versionen nutzen Anchor Boxes als "Vorschläge", die das Modell verfeinert. Anchor-free Methoden (FCOS, neuere YOLO) eliminieren diesen Schritt.
Relevanz für Marketing
Das Verständnis von Anchor Boxes ist essentiell für das Tuning von Object-Detection-Modellen und die Wahl zwischen Anchor-based und Anchor-free Architekturen.
Häufige Fallstricke
Falsche Anchor-Größen führen zu schlechter Detection. Zu viele Anchors erhöhen Compute. K-Means-Clustering auf Trainingsdaten hilft bei der Wahl.
Entstehung & Geschichte
Faster R-CNN (Ren et al., 2015) führte Anchor Boxes ein. SSD (2016) und YOLOv2 (2017) übernahmen das Konzept. Der Trend geht seit 2020 zu Anchor-free Detection (FCOS, CenterNet, DETR).
Abgrenzung & Vergleiche
Anchor Box vs. Anchor-Free Detection
Anchor-based Methoden brauchen vordefinierte Box-Templates. Anchor-free Methoden (FCOS, CenterNet) sagen Objektzentren und Größen direkt vorher.