ディープラーニングによる一般物体認識(1) – Region with CNN features

今回は、ディープラーニングを用いた「一般物体認識」についてです。一般物体認識って何? と思われる方も多いと思います。コンピュータビジョン分野では、「特定物体認識」と「一般物体認識」があります。特定物体認識では、ある特定の物体が画像中に存在するかをコンピュータが認識します。例えば、iPhone 8 Plusといった特定の物体を認識します。一方、一般物体認識では、図1のように画像の中からさまざまな物体の位置とカテゴリを認識します。iPhone 8 Plusのように特定の物体ではなく、人、車、犬といった物体のカテゴリが認識対象となります。

• 図1 一般物体認識の例

ディープラーニングに関する技術の発展によって、一般物体認識は日進月歩で進化しています。そこで今回はディープラーニングを用いた一般物体認識アルゴリズムの先駆けである「Region with CNN features(R-CNN)」^[1]を紹介したいと思います。

R-CNN

R-CNNの処理の概要は図2の通りです。

• 図2 R-CNNの処理の流れ

Extract region proposals

まず、物体っぽい領域を過剰気味に検出します。具体的には、既存手法(Selective Search)^[2]により、画像から物体候補(Region Proposals)を抽出します。Selective Searchは、ピクセルレベルで類似する領域をグルーピングすることで、物体らしき領域を見つる手法です(図3)。

• 図3 Selective Searchによる物体候補領域の抽出

Compute CNN Features

すべての物体候補領域中の画像を一定の大きさにリサイズ(Warped regions)し、CNNにより特徴量(features)を求めます。

Classify regions

CNNで求めた特徴量を、複数のSVMによって学習します。そして、未知の画像が入力された場合は、学習時と同様にCNNで求めた特徴量から、学習済みのSVMによりカテゴリを認識します。

このR-CNNは、ディープラーニングを用いない既存手法の精度を凌駕することに成功しました。ただし、多数の物体候補に対してCNNとSVMを用いてカテゴリ認識を行うため、処理が重たいという課題があります。有名な手法ですので、一般物体認識に興味のある方は論文をぜひ読んでみて下さい。

参考文献

[1] Girshick, R. B., Donahue, J., Darrell, T., and Malik, J. Rich feature hierarchies for accurate object detection and semantic segmentation. In CVPR, 2014.
[2] Uijlings, J., van de Sande, K., Gevers, T., and Smeulders, A. Selective search for object recognition. International journal of computer vision 104.2 (2013): 154-171.