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