物体識別とは

物体識別は、画像に何が写っているかを答えるタスクです。「犬」「猫」「自動車」など、あらかじめ決めたクラスの中から選んで出力します。画像全体に1つのラベルを付けるため、画像分類とも呼ばれます。

ほかのタスクとの違い

画像認識のタスクは、出力の細かさで区別できます。

• 物体識別：画像全体に対するクラス（何が写っているか）
• 物体検出：物体ごとの矩形とクラス（どこに何があるか）
• セマンティックセグメンテーション：画素ごとのクラス
• インスタンスセグメンテーション：物体ごとの、画素単位の領域とクラス

物体識別は最も基本的なタスクで、位置や個数は出力しません。製品の外観検査で、良品か不良品かを判定する場面などに使われます。

モデルの発展

物体識別は、ILSVRCの画像分類部門を舞台にCNNが発展した分野です。2012年にAlexNetが大差で優勝したのをきっかけに、3×3の小さな畳み込みを深く重ねたVGG、大きさの違う畳み込みを並べたGoogLeNet、スキップ結合で100層を超える学習を可能にしたResNetと、モデルは深くなりました。その後も、SENet、MobileNet、EfficientNet、Vision Transformerなどが登場しています。

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。

ほかのタスクの土台として

物体識別のために作られたCNNは、画像の特徴を取り出す部分として、物体検出やセグメンテーションのモデルにも組み込まれます。ImageNetで事前に学習した重みから学習を始める転移学習は、自社のデータが少ない場合に精度を出すための定番の方法です。

一般物体認識との関係

一般的なカテゴリの名前で答える物体識別は、一般物体認識の代表的な課題です。

覚え方

「識別は『何』だけ、検出は『何とどこ』」と覚えます。