物体検出のモデルに関する説明として、最も不適切なものを1つ選べ。
正解と解説を見る
解説
正解 A
この問題の論点：物体検出モデルの特徴
ポイント
Fast R-CNNは、画像全体から作った特徴マップをすべての候補領域で共有することで、R-CNNより高速になりました。
選択肢ごとの解説
- A
不適切 正解
候補領域ごとにCNNに通すのはR-CNNのやり方で、処理が遅い原因でした。Fast R-CNNは画像全体を一度だけCNNに通して特徴マップを作り、各候補に当たる部分をRoIプーリングで固定サイズにして使うことで高速化しました。
- B
適切
Fast R-CNNまでは、候補領域の抽出にSelective Searchなどの従来手法を使っており、ここが速度の妨げでした。Faster R-CNNはRPNで候補を出し、特徴マップを検出部と共有して高速化しました。
- C
適切
YOLOは候補領域の抽出と分類を分けず、画像全体から矩形とクラスの確率を一度の計算で予測します。この1段階（ワンステージ）の構造により、リアルタイムでの検出を実現しました。
- D
適切
SSDもYOLOと同じ1段階の検出器です。浅い層の高解像度の特徴マップで小さい物体を、深い層の低解像度の特徴マップで大きい物体を捉えるように、複数の特徴マップで予測します。
試験での狙われ方
2段階のR-CNN系と1段階のYOLO・SSDの違いや、各モデルが処理のどこを高速化したかを問う形が見られます。
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目26 画像認識）
- Girshick, Fast R-CNN (2015)
- Ren, He, Girshick, Sun, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks (2015)
- Redmon, Divvala, Girshick, Farhadi, You Only Look Once: Unified, Real-Time Object Detection (2015)
- Liu et al., SSD: Single Shot MultiBox Detector (2015)