Was ist Bildklassifizierung?
Bildklassifizierung weist einem gesamten Bild anhand seines visuellen Inhalts eine oder mehrere vordefinierte Bezeichnungen zu. Anders als Lokalisierungsaufgaben bestimmt sie nicht von sich aus die Position oder Begrenzung des bezeichneten Motivs.
So funktioniert Bildklassifizierung
Klassifizierungsmodelle bilden eine Bildrepräsentation auf Bewertungswerte für einen definierten Satz von Bezeichnungen ab und wandeln diese Werte anschließend in eine oder mehrere ausgegebene Kategorien um. Systeme mit einer einzelnen Bezeichnung setzen sich gegenseitig ausschließende Klassen voraus, während Systeme mit mehreren Bezeichnungen mehrere unabhängige Zuordnungen erlauben. Das Ergebnis beschreibt das Bild als Ganzes, selbst wenn sich der entscheidende visuelle Beleg auf einen kleinen Bereich beschränkt. In Medienpipelines unterstützt die Klassifizierung die Weiterleitung, Filterung, Anreicherung für die Suche, Qualitätsprüfungen und Auswahl spezialisierter nachgelagerter Modelle.
Wichtige Fakten
- Softmax-Ausgaben bilden den Wettbewerb zwischen Klassen ab und eignen sich für einander ausschließende Bezeichnungen. Unabhängige Sigmoid-Ausgaben werden dagegen häufig verwendet, wenn mehrere Bezeichnungen auf dasselbe Bild zutreffen können.
- Ein Wahrscheinlichkeitsschwellenwert steuert den Kompromiss zwischen Präzision und Trefferquote und muss oft für jede Klasse kalibriert werden. Die Auswahl des höchsten Bewertungswerts belegt nicht, dass das Bild zu einer bekannten Klasse gehört.
- Änderungen der Datenverteilung hinsichtlich Kameras, Bearbeitungsstilen, demografischen Merkmalen oder der Häufigkeit von Motiven können die Genauigkeit im Produktivbetrieb verschlechtern, selbst wenn zurückgehaltene Testdaten gute Ergebnisse liefern. Daher müssen Stichproben aus der Praxis überwacht werden.
Wann Bildklassifizierung wichtig ist
Nutzen Sie Klassifizierung, wenn ein Workflow eine Kategorie für das gesamte Bild benötigt, etwa den Inhaltstyp oder das Weiterleitungsziel, statt Objektkoordinaten. Bezeichnungen außerhalb der trainierten Taxonomie oder Bilder mit mehreren Motiven können mehrdeutige Ergebnisse liefern.