画像認識（シラバス 技術26）

タスクの種類

• 物体識別：写っているものをラベルで答えます。
• 物体検出：物体ごとに位置を囲む矩形とクラスを出します。
• セマンティックセグメンテーション：画素ごとにクラスを付け、同じクラスの物体は区別しません。
• インスタンスセグメンテーション：物体を1つずつ画素単位で切り出します。
• パノプティックセグメンテーション：全画素にクラスを付け、人や車などは個体も区別します。
• 姿勢推定：人の関節などの位置を推定します。

多様な物体をカテゴリとして認識することを一般物体認識と呼びます。画像認識は外観検査や自動運転、医用画像の診断支援などに使われます。

物体識別のモデル

• AlexNet：2012年のILSVRCで優勝し、ディープラーニング普及のきっかけになりました。
• VGG：3×3の畳み込みを深く重ねました。
• GoogLeNet：大きさの違う畳み込みを並べたInceptionモジュールが特徴です。
• ResNet：層を飛び越えるスキップ結合で、100層を超える学習を可能にしました。Wide ResNetは、層を減らして幅を広げた改良版です。
• DenseNet：ブロック内で各層の出力を後続の全層に結合します。
• SENet：チャンネルごとの重要度を学習して重み付けします。
• MobileNet：Depthwise Separable Convolutionで計算量を減らしました。
• NAS(Neural Architecture Search)：ネットワークの構造を自動で探します。MnasNetは端末での処理時間も考慮して探したモデルです。
• EfficientNet：深さ・幅・解像度をバランスよく拡大します。
• Vision Transformer：画像をパッチに分けて単語のように並べ、Transformerで処理します。

物体検出のモデル

• Fast R-CNN：特徴マップを画像全体で1回だけ計算し、高速化しました。
• Faster R-CNN：候補領域の抽出もニューラルネットワークで行う2段階型です。
• YOLO、SSD：位置とクラスを一度に予測する1段階型で、高速です。
• FPN：深い層の情報を浅い層に足し戻すピラミッド構造で、小さな物体の検出を助けます。

領域分割・姿勢推定のモデル

• FCN(Fully Convolutional Network)：全結合層を使わず畳み込み層だけで画素ごとのクラスを出します。
• SegNet：最大値プーリングの位置を記録し、デコーダでの復元に使います。
• U-Net：エンコーダの特徴マップを、同じ解像度のデコーダ側へ結合します。医用画像でよく使われます。
• PSPNet：大きさの違うプーリングで、画像全体の文脈をとらえます。
• DeepLab：Atrous Convolutionで解像度を保ったまま広い範囲を見ます。
• Mask R-CNN：Faster R-CNNにマスクを出す枝を加えました。
• Open Pose：複数人の関節位置と、そのつながりを同時に推定します。