Objekterkennung ist eine Aufgabe der Computer Vision, die dazu dient, Objektkategorien in Bildern oder Videos zu identifizieren und gleichzeitig deren Position zu bestimmen. Dieses Verfahren kombiniert Objektklassifizierung und räumliche Lokalisierung und erfordert nicht nur die Bestimmung des Bildinhalts, sondern auch dessen Position. Typischerweise erreicht es ein strukturiertes Verständnis visueller Szenen durch die Vorhersage von Objektkategorien, Begrenzungsrahmen oder anderen räumlichen Informationen und zählt zu den wichtigsten Grundlagenaufgaben im Bereich Computer Vision.

Die Entwicklung der Objekterkennung basiert auf langjähriger Forschung in verschiedenen Bereichen, darunter Bildklassifizierung, Objektlokalisierung und klassische Computer Vision. Frühe Methoden nutzten hauptsächlich gleitende Fenster, manuell entworfene Merkmale (wie Haar und HOG) und Kombinationen von Klassifikatoren zur Objektsuche, ihre Recheneffizienz und Anpassungsfähigkeit an komplexe Szenen waren jedoch begrenzt. Mit der Entwicklung des Deep Learning begannen Forscher, Convolutional Neural Networks (CNNs) zum automatischen Lernen visueller Merkmale einzusetzen. Im Jahr 2014 veröffentlichten Ross Girshick et al. von der University of California, Berkeley, eine Arbeit… Umfangreiche Merkmalshierarchien für präzise Objekterkennung und semantische Segmentierung Es wurde die R-CNN-Methode vorgeschlagen, die tiefe Faltungsmerkmale in die Objekterkennungsaufgabe einführt, wodurch die Erkennungsleistung deutlich verbessert wird und die zu einer der wichtigsten repräsentativen Studien auf dem Gebiet der Deep-Learning-Objekterkennung geworden ist.

Moderne Objekterkennungssysteme nutzen typischerweise Technologien wie Convolutional Neural Networks (CNNs), Transformer und grundlegende Bildverarbeitungsmodelle, um Objekte in Bildern zu klassifizieren und zu lokalisieren. Je nach Erkennungsmethode lassen sie sich in zweistufige (z. B. Faster R-CNN) und einstufige (z. B. YOLO und SSD) Verfahren unterteilen und finden breite Anwendung in Bereichen wie autonomes Fahren, intelligente Überwachung, Roboterwahrnehmung, industrielle Inspektion und medizinische Bildanalyse. In den letzten Jahren hat sich das Erkennungsparadigma weiterentwickelt: End-to-End-Transformer-Detektoren, wie z. B. DETR, eliminieren manuelle Nachbearbeitungsschritte wie die Erstellung von Ankerboxen und die Unterdrückung nicht-maximaler Werte. Open-Vocabular-basierte Erkennungsmethoden in Kombination mit Bildverarbeitungsmodellen ermöglichen es dem System, Objektkategorien zu identifizieren, die während des Trainings nicht erfasst wurden, und erweitern so die Anwendungsbereiche der Objekterkennung.