画像分類（物体識別）と物体検出の違い

画像分類と物体検出は、どちらも画像認識の基本的なタスクです。違いは出力の細かさにあります。画像分類は「何が写っているか」だけを答え、物体検出は「どこに何があるか」まで答えます。

画像分類（物体識別）

画像分類は、画像全体に対して、あらかじめ決めたクラスの中から答えを選ぶタスクです。G検定のシラバスでは「物体識別」というキーワードで扱われます。多くのモデルは、最後にソフトマックス関数で各クラスの確率を出し、最も高いクラスを答えにします。

出力は画像全体に対するクラスだけなので、物体がどこに、いくつ写っているかはわかりません。1,000クラスの画像分類を競ったILSVRCを舞台に、AlexNetからVGG、GoogLeNet、ResNetへとCNNは深くなっていきました。

物体検出

物体検出は、物体ごとに、位置を示す矩形とクラスを出力するタスクです。写っている物体の数は画像によって違うので、出力の数も画像ごとに変わります。予測した矩形が正解とどれだけ重なるかはIoUで測ります。同じ物体に重なって出た矩形は、非最大値抑制（NMS）で1つにまとめます。

手法は、候補領域を挙げてから分類する2段階型（Faster R-CNNなど）と、画像全体から位置とクラスを一度に予測する1段階型（YOLO、SSDなど）に分かれます。

2つの関係と使い分け

物体検出は、画像分類の技術の上に成り立っています。R-CNNは、ILSVRCの画像分類で事前に学習したCNNを、物体検出向けにファインチューニングして使いました。YOLOも、畳み込み層を1,000クラスの画像分類で事前に学習してから、検出の学習に移っています。

使い分けは目的で決まります。1個ずつ撮影した製品の良否判定のように、画像全体に1つの答えがあればよい場面では画像分類で足ります。台数を数える、物体の位置に応じて動作を変えるといった場面では物体検出が必要です。物体の形まで画素単位で必要なら、セグメンテーションを選びます。