候補領域の抽出を行わず、1回のネットワーク処理で物体の位置とクラスを直接予測する1ステージ検出の代表モデル、YOLOとSSDを学ぶ項目です。リアルタイム性が求められる応用で重要な位置を占めます。
📖 概要
Faster R-CNNのような2ステージ検出は、候補領域の抽出と分類を分けて行うため精度は高いものの、処理速度に課題がありました。これに対して1ステージ検出は、候補領域の抽出ステップを省き、画像を1回ネットワークに通すだけでBounding Boxとクラス確率を同時に出力します。速度に優れるため、リアルタイム処理が必要な用途に向いています。
YOLO(You Only Look Once)は、画像をグリッドに分割し、各グリッドセルが担当する物体のBounding Boxとクラス確率を直接回帰するという発想で1ステージ検出を実現しました。SSD(Single Shot MultiBox Detector)は、複数の解像度の特徴マップそれぞれに、あらかじめ形状を決めたデフォルトボックスを敷き詰め、各ボックスに対してクラススコアと位置のずれを予測します。浅い(解像度の高い)特徴マップで小さい物体を、深い(解像度の低い)特徴マップで大きい物体を扱えるのが特徴です。
1ステージ検出では、同じ物体に対して多数の重複した予測ボックスが出力されるため、Non-Maximum Suppression (NMS)による重複除去が後処理として必要になります。また、画像のほとんどの領域は背景であるため、正例(物体)と負例(背景)の数が極端に不均衡になるという問題があり、SSDではハードネガティブマイニングによってこれに対処しています。
🔍 キーワード解説
1ステージ検出
1ステージ検出は、候補領域の抽出(Region Proposal)を独立したステップとして持たず、特徴マップ上の各位置から直接クラスと位置を予測する方式です。YOLOやSSDが代表例で、2ステージ検出に比べて高速な一方、初期のモデルでは小さい物体や密集した物体の検出精度で劣る傾向があるとされてきました。速度と精度のトレードオフを理解することが重要です。
デフォルトボックス
デフォルトボックスは、SSDにおいて特徴マップの各位置にあらかじめ配置される、大きさ・アスペクト比の異なる複数の基準矩形です。ネットワークは各デフォルトボックスについて、クラスごとのスコアと、デフォルトボックスから実際の物体位置へのオフセットを予測します。Faster R-CNNのアンカー(Anchor box)とほぼ同じ役割の概念であり、「基準となる矩形からのずれを回帰する」という物体検出の基本パターンを構成します。SSDでは複数スケールの特徴マップにデフォルトボックスを配置することで、さまざまな大きさの物体に対応します。
Non-Maximum Suppression (NMS)
Non-Maximum Suppression (NMS)は、同一物体に対する重複した検出ボックスを取り除く後処理です。手順としては、(1) 信頼度スコアが最も高いボックスを採用し、(2) そのボックスとのIoU(重なり率)がしきい値以上のボックスを同じ物体の重複とみなして削除する、という操作をスコア順に繰り返します。1ステージ検出・2ステージ検出のどちらでも使われますが、多数のボックスを密に予測する1ステージ検出では特に不可欠な処理です。
ハードネガティブマイニング
物体検出では、デフォルトボックスの大多数が背景(負例)に割り当てられ、正例と負例の比率が大きく偏ります。すべての負例を学習に使うと損失が背景に支配され、学習がうまく進みません。ハードネガティブマイニングは、負例のうち損失が大きいもの(=モデルが物体と間違えやすい「難しい」負例)を優先的に選んで学習に使う手法です。SSDでは、負例を損失の大きい順に並べ、正例と負例の比率が一定(たとえば1:3程度)になるように負例を選択することで、クラス不均衡を緩和しています。
📝 試験でのポイント
- 1ステージ検出(YOLO・SSD)と2ステージ検出(Faster R-CNNなど)の対比が最頻出です。「候補領域抽出の有無」「速度と精度のトレードオフ」を軸に整理しましょう
- SSDのデフォルトボックスとFaster R-CNNのアンカーが同種の概念であることを押さえましょう
- SSDが「複数スケールの特徴マップ」から予測を行うこと、YOLOが「グリッド分割による直接回帰」を行うことの区別が問われます
- NMSの手順(スコア最大のボックスを残し、IoUが高い重複を削除)は、具体的な動作を選ばせる形式で出題されることがあります
- ハードネガティブマイニングの目的が「正例・負例の不均衡対策」である点を明確にしておきましょう
📚 まとめ
YOLOとSSDは、候補領域抽出を省いて位置とクラスを直接予測する1ステージ検出の代表であり、高速な物体検出を実現します。SSDは複数スケールの特徴マップとデフォルトボックスにより多様な大きさの物体に対応します。重複予測はNMSで除去し、背景クラスとの不均衡はハードネガティブマイニングで緩和する、という周辺技術もセットで理解しておきましょう。
