画像分類Image Classification

決まった一覧の中からしか選びません

分類器を作るときはまず名札の一覧を決めます。犬・猫・鳥の三つに決めたなら、そのあとどんな写真が入ってきても答えはこの三つのうちの一つです。コップの写真を入れても犬か猫か鳥のどれかが出てきます。

この性質を知っていると結果をずっとうまく読めます。見当違いの答えが出たときモデルが壊れたわけではなく、そもそも答えようのない質問を受けた場合が多いのです。そのため実際に使うときは「その他」という枠を一覧にもう一つ加え、関係ない写真をここに送るよう合わせて教えることもあります。

一覧にある名札でも、学習で見たことのない姿だと揺らぎます。昼間に撮った写真だけで学んでいたら、夜に撮った同じ物では迷います。ウェブカメラで作ってみるとき背景を変えたり角度を変えたりして何枚も撮っておくと、結果が目に見えて良くなる理由です。

答えは点数で出ます

分類器は「これは猫」と言い切りません。名札ごとに点数を付けます。猫0.82、犬0.15、鳥0.03というふうにです。すべての点数を足すと1になるようそろえてあるので、それぞれを百分率のように読めます。

私たちが見る答えはそのうちいちばん高い一つです。ところが一位の点数が0.9の場合と0.35の場合では事情がまるで違います。前者はかなり確信している状態で、後者は残りより少しましというだけです。ウェブカメラの前で物をゆっくり回してみると点数のバーが揺れ動くのが見えますが、その揺れがモデルがどれだけ迷っているかを表しています。

そのため実際のサービスでは、一位の点数が一定の水準を超えたときだけ答えとして使い、超えなければ「分からない」として扱う方法がよく使われます。

どこにあるかは教えてくれません

画像分類のいちばん大きな限界は位置です。机の写真を入れれば「机」とは答えますが、机が写真のどちら側にあるのか、上に乗っているコップはいくつなのかは教えてくれません。写真に物が複数あると、そのうちいちばん目立つ一つに引っ張られてしまいます。

ここから一段上がったのが物ごとに枠を付ける物体検出で、そこからさらに一段上がったのが点単位で形を切り出すセグメンテーションです。写真一枚に名札一つ、物ごとに枠一つ、点ごとに名札一つ。必要な精密さが上がるほど用意する学習資料も重くなります。分類は写真に名前だけ書けば済みますが、枠や形は人が一つずつ描いてやらなければなりません。

ウェブカメラですぐ試せます

画像分類が他の仕事より敷居が低い理由は、学習資料を集めやすいからです。写真を種類ごとのフォルダに分けて入れるだけで資料の準備が終わります。

すでに写真をたくさん見て学んでおいた大きなモデルを持ってきて、末端の部分だけ自分の写真で学び直させる方法もよく使われます。細かい模様や部品を見分ける力はそのまま引き継ぎ、名札を選ぶ部分だけ新しく教えるわけです。だから種類ごとに写真十枚ほど撮るだけでも使える分類器ができます。ブラウザで数分で終わる体験ツールがまさにこの方式を使っています。