物体検出

物体検出は、コンピュータビジョンと画像処理に関連するコンピュータ技術であり、デジタル画像や動画から特定のクラス（人間、建物、車など）のセマンティックオブジェクトのインスタンスを検出することを扱います。^{[ 1 ]}物体検出の研究が進んでいる分野には、顔検出や歩行者検出などがあります。物体検出は、画像検索やビデオ監視など、コンピュータビジョンの多くの分野で応用されています。

画像注釈^{[ 2 ]}、車両カウント^{[ 3 ]}、活動認識^{[ 4 ]} 、顔検出、顔認識、ビデオオブジェクトの共同セグメンテーションなどのコンピュータビジョンタスクで広く使用されています。また、サッカーの試合中のボールの追跡、クリケットバットの動きの追跡、ビデオ内の人物の追跡など、オブジェクトの追跡にも使用されています。

多くの場合、テスト画像は異なるデータ分布からサンプリングされるため、物体検出タスクは著しく難しくなります。^{[ 5 ]}トレーニングデータとテストデータの間のドメインギャップによって引き起こされる課題に対処するために、多くの教師なしドメイン適応アプローチが提案されています。^{[ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ]}ドメインギャップを減らすためのシンプルで直接的な解決策は、cycle-GAN などの画像間変換アプローチを適用することです。^{[ 10 ]}他の用途の中でも、クロスドメイン物体検出は自動運転に適用されており、ラベルを手作業なしで生成できるため、膨大な量のビデオゲームシーンでモデルをトレーニングできます。

物体クラスにはそれぞれ、分類に役立つ特別な特徴があります。例えば、円はすべて丸い形をしています。物体クラス検出では、これらの特別な特徴を利用します。例えば、円を探す場合、ある点（中心）から一定の距離にある物体を探します。同様に、正方形を探す場合、角が垂直で辺の長さが等しい物体を探します。顔認識でも同様のアプローチが用いられ、目、鼻、唇などの特徴に加え、肌の色や両目間の距離といった特徴を検出します。

画像上の物体検出における類似度尺度としてのIntersection over Union –コンピュータビジョンにおける重要なタスク 

オブジェクトの位置特定においては、真陽性は多くの場合、閾値処理されたIoU（Intersection over Union ）によって測定されます。例えば、画像内に交通標識があり、人間がバウンディングボックスを描画している場合（「正解ラベル」）、ニューラルネットワークが描画したバウンディングボックスのIoUが正解ラベルとの一致度（IoU）が0.5を超える場合、0.5の閾値で交通標識を検出した（真陽性）とみなされます。そうでない場合、そのバウンディングボックスは偽陽性です。

正解のバウンディングボックスが1つしかなく、予測が複数ある場合は、各予測のIoUが計算されます。IoUが最も高い予測が閾値を超えている場合は真陽性、そうでない場合は偽陽性です。その他の予測されたバウンディングボックスはすべて偽陽性です。閾値を超えるIoUを持つ予測がない場合は、正解ラベルは偽陰性です。

同時物体位置特定と分類において、真陽性とは、クラスラベルが正しく、かつバウンディングボックスのIoUが閾値を超えている場合を指す。

同時物体位置特定と分類の性能評価は、平均精度（mAP）によって行われます。あるクラスの物体に対するネットワークの平均精度（AP）は、信頼度閾値を変化させたときの精度-再現率曲線の下の面積です。mAPは、すべてのクラスにおけるAPの平均値です。

物体検出におけるニューラルネットワークの学習の簡略化された例：このネットワークは、ヒトデとウニを描いた複数の画像で学習され、これらの画像は視覚的特徴を表す「ノード」と関連付けられています。ヒトデは環状のテクスチャと星形の輪郭で識別され、ほとんどのウニは縞模様のテクスチャと楕円形で識別されます。しかし、環状のテクスチャを持つウニのインスタンスは、両者の間に弱い重み付けの関連付けを生み出します。

入力画像に対するネットワークのその後の実行（左）：^{[ 11 ]}ネットワークはヒトデを正しく検出します。しかし、リング状のテクスチャとウニの間の弱い重み付けの関連付けにより、2 つの中間ノードの 1 つからウニに弱い信号が与えられます。さらに、トレーニングに含まれていない貝殻は楕円形に弱い信号を与え、その結果、ウニの出力にも弱い信号が生じます。これらの弱い信号により、ウニの偽陽性結果が生じる可能性があります。実際には、テクスチャと輪郭は単一のノードではなく、複数のノードの関連付けられた重みパターンによって表現されます。

物体検出の手法は、一般的にニューラルネットワークに基づく手法と非ニューラルネットワークに基づく手法に分類されます。非ニューラルネットワークに基づく手法では、まず以下のいずれかの方法で特徴量を定義し、次にサポートベクターマシン（SVM）などの手法を用いて分類を行う必要があります。一方、ニューラルネットワークに基づく手法は、特徴量を明示的に定義することなくエンドツーエンドの物体検出が可能であり、通常は畳み込みニューラルネットワーク（CNN）に基づいています。

• 非神経的なアプローチ：
  • ハール特徴量に基づくヴィオラ・ジョーンズ物体検出フレームワーク
  • スケール不変特徴変換（SIFT）
  • 勾配方向ヒストグラム（HOG）特徴量^{[ 12 ]}
• ニューラルネットワークアプローチ：
  • OverFeat. ^{[ 13 ]}
  • 領域提案(R-CNN、^{[ 14 ]} Fast R-CNN、^{[ 15 ]} Faster R-CNN、^{[ 16 ]} cascade R-CNN、^{[ 17 ]} )
  • 人生は一度きり（YOLO）。^{[ 18 ]}
  • シングルショットマルチボックス検出器（SSD）^{[ 19 ]}
  • 物体検出のためのシングルショット改良ニューラルネットワーク（RefineDet）^{[ 20 ]}
  • Retina-Net ^{[ 21 ] [ 17 ]}
  • 変形可能な畳み込みネットワーク^{[ 22 ] [ 23 ]}
  • 検出トランスフォーマー（DETR）は、ビジョントランスフォーマーを使用します。

• 特徴検出（コンピュータビジョン）
• 移動物体検出
• 小型物体の検出
• 物体認識の概要
• テクノモ・フェルナンデスアルゴリズム

• 鄒、鄭夏。チェン、キーヤン。シー・ジェンウェイ。グオ、ユホン。そう、ジエピン（2023年3月）。 「20 年間の物体検出: 調査」。IEEE の議事録。111 (3): 257–276。土井: 10.1109/JPROC.2023.3238524。ISSN 0018-9219。 

• Joshi, Snehal (2023-10-24). "トップオブジェクト検出モデル" . hitechbpo.com .
• Weng, Lilian (2017-10-29). "Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS" . lilianweng.github.io . 2024-09-11に取得.
• Weng, Lilian (2017-12-15). "Object Detection for Dummies Part 2: CNN, DPM and Overfeat" . lilianweng.github.io . 2024-09-11に取得.
• Weng, Lilian (2017-12-31). "Object Detection for Dummies Part 3: R-CNN Family" . lilianweng.github.io . 2024-09-11に取得.
• Weng, Lilian (2018-12-27). "オブジェクト検出パート4：高速検出モデル" . lilianweng.github.io . 2024-09-11に取得.
• 複数オブジェクトクラスの検出
• 時空間的な動作局在化
• オンライン物体検出デモ
• 動画オブジェクト検出と共同セグメンテーション