物体検出とは

物体検出は、画像の「どこに」「何が」写っているかを答えるタスクです。自動運転での歩行者や車両の認識、製造ラインでの部品の検出、店舗の棚の商品管理などに使われます。

画像認識のタスクの違い

画像認識のタスクは、出力の細かさで区別します。

• 画像分類：画像全体に1つのクラスを付けます。
• 物体検出：物体ごとに矩形とクラスを出力します。
• 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ます。同じクラスの物体どうしは区別しません。
• インスタンスセグメンテーション：物体を1つずつ区別したうえで、その領域を画素単位で求めます。

物体検出では個数と大まかな位置がわかります。ただし出力は矩形なので、物体の正確な形まではわかりません。

2段階型と1段階型

深層学習による物体検出は、大きく2つの系統に分かれます。

2段階型は、まず物体がありそうな候補領域を挙げ、次に各候補のクラスと位置を推定します。R-CNN、Fast R-CNN、Faster R-CNNと改良が進みました。Faster R-CNNでは、候補領域の抽出もニューラルネットワーク（RPN）で行います。精度を出しやすい一方、処理に時間がかかりやすい方式です。

1段階型は、候補領域を別に扱わず、画像全体から位置とクラスを一度に予測します。YOLOやSSDが代表例です。高速なため、動画のリアルタイム処理に向きます。

Mask R-CNNは、Faster R-CNNに物体の領域を画素単位で求める部分を加え、インスタンスセグメンテーションに広げたモデルです。

評価と後処理

予測した矩形が正解とどれだけ重なるかは、IoU（Intersection over Union）で測ります。同じ物体に重なった矩形が複数出たときは、非最大値抑制（NMS）で1つにまとめます。

覚え方

「分類は何、検出は何とどこ、セグメンテーションは画素ごと」と覚えます。