物体検出とは?
物体検出は、画像や動画フレーム内で、定義されたクラスに属する物体の位置を特定する処理です。通常、検出器は各候補についてクラスラベル、信頼度スコア、バウンディングボックスを返します。
物体検出の仕組み
物体検出器は視覚入力を処理し、学習時の分類体系に含まれるクラスに対応する領域を候補として提示します。後処理ではスコアの低い候補を除外し、通常は同じ物体を表すとみられる重複候補を抑制します。結果は最終的な正解として扱うのではなく、追跡、マスキング、スマートクロップ、在庫数の集計、人によるアノテーションなどに利用できます。性能は物体の大きさ、シーンの分野、アノテーション方針、運用時のしきい値に依存するため、実際のメディアストリームを反映した検証が必要です。
要点
- 非最大値抑制により、重複して重なり合うボックスを除去できます。ただし、重なりが小さくても除去する設定にすると、近接する別々の物体まで除外される場合があります。
- バウンディングボックスは正確な輪郭ではなく、物体を囲む矩形領域を特定します。ピクセル単位の境界が必要なアプリケーションでは、セグメンテーションや別の精密化処理が必要です。
- 平均適合率の平均は、クラスや重なりのしきい値を横断して、順位付けされた検出結果を要約する指標です。ただし、各誤りがアプリケーションにもたらすコストを直接表すものではありません。
物体検出が重要になる場面
被写体の位置が重要な場合は、クロップ、モデレーション、カウント、分析の前に物体検出を実行してください。信頼度のしきい値には、物体の見逃しと誤検出のトレードオフがあるため、後続処理のリスクを反映して設定する必要があります。