読む 編集 履歴表示

R-CNN

ウィキペディアから、無料の百科事典

領域ベースの畳み込みニューラルネットワーク (Region Based Convolutional Neural Networks, R-CNN)は、コンピュータビジョン、特に物体（オブジェクト）検出のための機械学習モデルの 1 つ。

歴史

R-CNN の当初の目的は、入力画像を受け取り、出力としてバウンディングボックスの集合を生成することだった。各バウンディングボックスには、物体とそのカテゴリ（車や歩行者など）が含まれる。最近では、R-CNN は拡張され、他のコンピュータビジョンタスクを実行できるようになった。これまでに開発された R-CNN のバージョンをいくつか紹介する。

R-CNN[1]（2013 年 11 月）
R-CNN は、入力画像が与えられると、選択的検索（selective search）と呼ばれる手法を適用して関心領域（regions of interest; ROI）を抽出する。一つ一つの ROI は画像内の物体の境界を表す長方形である。シナリオによっては、2,000 もの ROI が存在する。その後、各 ROI をニューラルネットワークに通し、特徴量を出力する。各 ROI が出力した特徴量に対して、一連のサポート ベクター マシン分類器を使用し、その ROI に含まれる物体のカテゴリを決定する。 [2]
Fast R-CNN[3]（2015 年 4 月）
オリジナルの R-CNN では、関心領域（ROI）のそれぞれについてニューラル ネットワークの特徴量を独立して計算したが、Fast R-CNN は、画像全体に対して 1 回だけニューラル ネットワークを実行する。ネットワークの最後には ROI プーリングと呼ばれる新しい手法があり、ネットワークの出力テンソルから各 ROI を切り出し、形状を変更して分類する。オリジナルの R-CNN 同様、選択的検索を使用して ROI を抽出する[4]。
Faster R-CNN[5]（2015 年 6 月）
R-CNN では選択的検索を用いて ROI を抽出したが、Faster R-CNN では、選択的検索ではなく、ROI 生成をニューラル ネットワーク自体に統合している。
Mask R-CNN[6]（2017 年 3 月）
物体検出に加え、インスタンスのセグメンテーションも行う。ROI プーリングを ROI Align と呼ばれる新しい手法に置き換え、ピクセルの断片を表現できるようにした[7] [8]。
Mesh R-CNN（2019 年 6 月）
2D 画像から 3D メッシュを生成する機能が追加されている[9]。

応用

R-CNN は、ドローンに搭載されたカメラからのオブジェクトの追跡[10]、画像内のテキストの位置の特定[11]、Google レンズでのオブジェクト検出などで使用されている[12]。Mask R-CNN による物体検出は、ニューラルネットワークの学習速度を競う MLPerf トレーニングベンチマークにおける 7 つのタスクのうち 1 つに位置付けられている[13]。

参考文献

  1. ↑ Girshick, Ross. "Rich feature hierarchies for accurate object detection and semantic segmentation". arXiv:1311.2524。
  2. ↑ Gandhi, Rohith (July 9, 2018). “R-CNN, Fast R-CNN, Faster R-CNN, YOLO — Object Detection Algorithms”. Towards Data Science March 12, 2020閲覧。
  3. ↑ Girshick, Ross. "Fast R-CNN". arXiv:1504.08083。
  4. ↑ Bhatia, Richa (September 10, 2018). “What is region of interest pooling?”. Analytics India March 12, 2020閲覧。
  5. ↑ Ren, Shaoqing. "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks". arXiv:1506.01497。
  6. ↑ He, Kaiming. "Mask R-CNN". arXiv:1703.06870。
  7. ↑ Farooq, Umer (February 15, 2018). “From R-CNN to Mask R-CNN”. Medium March 12, 2020閲覧。
  8. ↑ Weng, Lilian (December 31, 2017). “Object Detection for Dummies Part 3: R-CNN Family”. Lil'Log March 12, 2020閲覧。
  9. ↑ Wiggers, Kyle (October 29, 2019). “Facebook highlights AI that converts 2D objects into 3D shapes”. VentureBeat March 12, 2020閲覧。
  10. ↑ Nene, Vidi (Aug 2, 2019). “Deep Learning-Based Real-Time Multiple-Object Detection and Tracking via Drone”. Drone Below Mar 28, 2020閲覧。
  11. ↑ Ray, Tiernan (Sep 11, 2018). “Facebook pumps up character recognition to mine memes”. ZDnet Mar 28, 2020閲覧。
  12. ↑ Sagar, Ram (Sep 9, 2019). “These machine learning methods make google lens a success”. Analytics India Mar 28, 2020閲覧。
  13. ↑ Mattson, Peter (2019). "MLPerf Training Benchmark". arXiv:1910.01500v3 [math.LG]。