#1画像認識って、ひとつじゃないの?

第6章は応用編! 今日は画像認識! AIが写真を見て「猫!」って当てるやつでしょ?

…それは、いちばん基本の「物体識別」。画像全体に、1つのラベルをつける。

…でも、知りたいことで仕事が変わる。どこにいるか。何匹か。どんなポーズか。

ルナも、彼がどこにいて、誰といて、どんな顔してるか全部知りたいの♡

それは画像認識じゃなくて監視!
制約のない、ふつうの写真に写った物体を、「犬」「車」のような一般的な名前で認識すること
Generic object recognition ── 特定の1個(「うちのポチ」)を見分ける特定物体認識と区別される
#2四角で囲む「物体検出」

「どこにいるか」まで分かるのは?

…「物体検出」。物体を四角(バウンディングボックス)で囲んで、種類も当てる。

…やり方は2系統。候補の場所を出してから調べる2段階型と、1回で全部出す1段階型。
| 2段階型 | 1段階型 | |
|---|---|---|
| やり方 | 候補領域→分類の2ステップ | 1つのネットワークで一度に予測 |
| 代表 | Faster R-CNNなど | YOLO・SSD |
| 得意 | 精度を出しやすい | 速い(リアルタイム向き) |

YOLOって「人生一度きり」のやつ!?

…You Only Look Once。画像を「一度見るだけ」で検出する、という意味。

一度見ただけで見抜くなんて…一目惚れの専門家なのね♡
#3画素ごとに塗り分ける「セグメンテーション」

四角だと、猫のまわりの床まで入っちゃうよね?

…だから、画素(ピクセル)1つずつにラベルをつける。それがセグメンテーション。

…同じ種類をまとめて塗るのがセマンティック。1匹ずつ別の色で塗るのがインスタンス。
| 塗り方 | 代表モデル | |
|---|---|---|
| セマンティック | 猫2匹とも同じ「猫」色。床も塗る | FCN・U-Net・SegNetなど |
| インスタンス | 猫Aと猫Bを別々に塗る。床は塗らない | Mask R-CNN |
| パノプティック | 猫は1匹ずつ、床も全部塗る | 両方を1つにまとめたタスク |

パノプティックは、セマンティックとインスタンスのいいとこ取り!

…正解。Mask R-CNNは、物体検出のFaster R-CNNに「塗り」の枝を足したもの。

U-Netって、名前がかわいい♡

…形がU字だから。もとは医療の顕微鏡画像のために作られた。

細胞の形を、そのままなぞれるってこと!?

…そう。四角では分からない「形」が分かる。医療画像で使われる理由。
#4関節を見つける「姿勢推定」

最後の「どんなポーズか」は?

…「姿勢推定」。肩・ひじ・ひざみたいな関節の点を見つけて、線でつなぐ。

…有名なのはOpenPose。写真に何人いても、まとめて骨格を推定できる。

ルナの「会いたいポーズ」も推定してほしい♡

…関節の位置しか分からない。気持ちは分からない。
- 1物体識別:画像全体に「猫」とラベル
- 2物体検出:猫の位置を四角で囲む
- 3セグメンテーション:猫の形を画素単位で塗る
- 4姿勢推定:人の関節の点を見つけてつなぐ

自動運転は物体検出で歩行者を見つけて、スポーツのフォーム分析は姿勢推定! 覚えた!
ミコのメモ(自分あて)
- 物体識別=画像全体に1つのラベル既読
- 物体検出=四角で位置+種類。2段階はR-CNN系、1段階はYOLO・SSD既読
- セマンティック=種類ごと/インスタンス=1個ずつ/パノプティック=両方既読
- Mask R-CNN=Faster R-CNN+塗りの枝既読
- 姿勢推定=関節の点を見つける(OpenPose)既読
試験デンデン! 1問だけ
画像の中の「人」を、1人ずつ区別して画素単位で塗り分けるタスクとして最も適切なものはどれ?
1つ1つの物体(個体)を区別して画素単位で塗り分けるのはインスタンスセグメンテーション(代表例:Mask R-CNN)。セマンティックセグメンテーションは同じ種類を同じラベルでまとめて塗るので、人Aと人Bを区別しない。物体識別は画像全体に1つのラベルをつけるだけ、姿勢推定は関節の位置を見つけるタスク。
※ 出題範囲を参考にしたオリジナル問題です
この記事の出典
- 柳井啓司「一般物体認識の現状と今後」情報処理学会論文誌 CVIM, 2007年
- Redmon ほか「You Only Look Once: Unified, Real-Time Object Detection」(2015年)
- Ren ほか「Faster R-CNN」(2015年)
- He ほか「Mask R-CNN」(2017年)
- Kirillov ほか「Panoptic Segmentation」(2018年)
- Ronneberger ほか「U-Net: Convolutional Networks for Biomedical Image Segmentation」(2015年)
- Cao ほか「Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields」(OpenPose, 2016年)
G検定(JDLA ジェネラリスト検定)のシラバス2024(第1.4版)をもとにした非公式の学習コンテンツです。JDLAとは関係ありません。 登場人物は架空のキャラクターです。