物体検出Object Detection

1一枚から複数を一度に

画像分類は写真一枚に答え一つです。物体検出は答えの数からして決まっていません。物が一つもないこともあれば二十個出ることもあります。この「何個あるか分からない」という点が問題をずっと難しくしています。

最近広く使われる方式の一つは写真を格子に分けておき、マスごとに「ここに何かありますか」を一度に問います。写真全体を一回だけ走査してすべてのマスの答えを同時に受け取る構造なのでとても速いです。候補の場所を先に選び出して一つずつ別々に調べていた昔の方式よりずっと速いため、ウェブカメラの映像でも四角が物に付いて回ることが可能になりました。

マスごとに大きさの違う四角の見本を何個か用意しておく方式もよく使われてきました。細長いもの、平たいもの、正方形に近いものをあらかじめ並べておき、それぞれを少しずつ伸ばして動かし実際の物に合わせます。まっさらな状態から四角を描くよりずっとよく合います。最近は見本なしでマスごとに四角の位置と大きさを直接推測する方式も広く使われています。

2答え一つに三つが付きます

物体検出の結果一行は「猫、左上から横120縦90、確からしさ0.87」といった形です。名札だけの分類と違って位置と大きさがいっしょに出ます。

確からしさは特に見ておくべき値です。この値が低い四角まで全部見せると画面が四角だらけになります。そこで一定の水準を超えたものだけを残しますが、基準を上げれば画面はきれいになる代わりに薄い物を見逃し、基準を下げれば全部拾う代わりに見当違いのものまで拾います。体験ツールで四角が点滅しながら現れたり消えたりするのは、確からしさが基準線の近くで上下しているためです。

3重なった四角を整理します

こうした方式では、一つの物に四角がちょうど一つだけ出ることはほとんどありません。隣り合ういくつものマスが同じ物を見てそれぞれ四角を出すため、整理する前の画面は似た四角が幾重にも積み重なった状態です。

そこで確からしさがいちばん高い四角をまず残し、それと大きく重なる残りの四角を消します。残ったものの中からまたいちばん高いものを残して重なるものを消す、という具合に繰り返します。重なりをどこまで見逃すかも調節できますが、あまりきつく取ると並んで立つ二つの物のうち一つがまるごと消えてしまうこともあります。人が混み合った写真で何人か消える現象はこの段階で起きます。

4何が難しいか

小さな物が特に難しいです。層を通って絵が小さくなっていくと、遠くにある物は数マスしか残らず痕跡が消えてしまいます。そこで大きな絵と小さな絵をいっしょに見て判断する方法を付け加えます。

隠れた物も厄介です。半分隠れた椅子を見てどこまで四角を描くべきかは人でも迷います。学習資料を作る人によって基準が違うとモデルも迷います。そして決まった一覧で学んだモデルは、一覧にない物をその名前で見つけられません。見過ごすこともあれば、一覧の中の似た名札を誤って付けることもあります(シマウマを「馬」と呼ぶように)。ウェブカメラの前にどれほど珍しい物を映しても、モデルが学んだ一覧の外なら見当違いの名前が付くか、何も表示されません。最近は探す物を文章で伝えると、一覧にない物も探せる方式が出てきています。