一般物体認識とは

一般物体認識は、背景や照明、物体の向きなどに制約のない実世界の画像から、写っている物体を「いす」「自転車」「犬」のような一般的な名称で答える課題です。コンピュータビジョンの究極の目標の1つとされてきました。

特定物体認識との違い

対になる言葉が特定物体認識です。特定物体認識は、「この商品のパッケージ」「この建物」のように、あらかじめ登録した特定の物体と同じものが写っているかを照合します。登録した物体とほぼ同じ見た目のものを探せばよいので、一般物体認識に比べると扱いやすい課題です。

一般物体認識では、初めて見る物体でも、カテゴリの名前で答える必要があります。いすには脚が4本のものも1本のものもあり、木製も金属製もあります。同じカテゴリでも見た目のばらつきが大きく、反対に、違うカテゴリどうしで見た目が似ていることもあります。これが難しさの原因です。

研究の流れ

2000年代には、画像から特徴的な部分を取り出し、その出現の頻度で画像を表すBag of Visual Wordsなどの方法が研究されました。2007年の解説論文（柳井）は、以前は1種類の対象の認識さえ難しかったが、当時は101種類の対象を6割程度の精度で認識できるようになってきた、と述べています。

転機は、大規模な画像データセットImageNetと、それを使ったコンテストILSVRCです。2012年、CNNを使ったAlexNetが従来の方法を大きく上回って優勝しました。その後は、特徴を人が設計せず、データから自動で学習するディープラーニングが主流になりました。

画像認識のタスクとの関係

現在の物体識別、物体検出、セグメンテーションの多くは、物体をカテゴリの名前で答えるという点で、一般物体認識の流れの上にあります。たとえば物体識別は、画像に写る物体のカテゴリを答えるタスクです。

覚え方

「一般は『種類の名前』、特定は『この1つ』」と覚えます。