物体検出

物体検出 (Object Detection) は、画像中に含まれる複数の物体それぞれについて、その位置を矩形 (バウンディングボックス) で囲み、同時にカテゴリ (クラス) を分類するタスクである。画像分類が「画像全体に何が写っているか」を判定するのに対し、物体検出は「どこに何があるか」を特定する。

応用先には自動運転、監視カメラ、ロボティクス、医療画像診断、小売業の在庫管理などがある。精度と速度はトレードオフの関係にある。

• 2 段階検出器: Faster R-CNN に代表される手法。まず物体候補領域 (Region Proposal) を生成し、次に各候補を分類 / 位置補正する。精度は高いが処理速度に劣る
• 1 段階検出器: YOLO や SSD のように、候補領域の生成を経ずに位置とカテゴリを 1 つのネットワークで直接推定する手法。リアルタイム処理が可能
• Transformer ベース: DETR はアテンション機構で物体検出を集合予測問題として定式化し、NMS (非最大値抑制) を不要にした。リアルタイム処理向けの DETR 系のモデルに RT-DETR がある

評価指標には mAP (mean Average Precision) が使われ、IoU (Intersection over Union) 閾値を変えた複数の条件で精度を測定する。ベンチマークのデータセットには COCO などがある。