【G検定まとめ2026】26.画像認識

1. 画像認識タスクの種類とその概要について理解する

物体認識

代表的なタスクの一つに物体認識があります。物体認識は、画像に写っている主な物体が何であるかを特定します。例えば、猫や犬、車や建物などを識別します。このタスクでは、画像全体を見て、最も顕著な物体を判別します。

物体検出

物体検出は、物体認識をさらに発展させたタスクです。画像内に複数の物体が存在する場合、それぞれの物体を識別するだけでなく、その位置も特定します。通常、物体の周りに四角形の枠を描いて表示します。これにより、画像内のどこに何があるかを詳細に把握できます。

手法	登場年	アプローチ	主な特徴	速度傾向
R-CNN	2014	2 段階	候補領域ごとに CNN 適用 (Selective Search + CNN + SVM)	遅い
Fast R-CNN	2015	2 段階	画像全体に 1 度 CNN、RoI プーリングで効率化	中
Faster R-CNN	2015	2 段階	RPN で候補領域提案を学習化、RoI プーリングと統合	中
YOLO	2015〜	1 段階	画像をグリッド分割、位置とクラスを単一 NN で同時予測	速い
SSD	2016	1 段階	マルチスケール特徴マップ + デフォルトボックス	速い

注: 速度・精度はバージョンや実装で変動する。

セグメンテーション

より細かい認識を行うのがセグメンテーションです。セグメンテーションには、セマンティックセグメンテーションとインスタンスセグメンテーションがあります。

セマンティックセグメンテーション

セマンティックセグメンテーションは、画像の各ピクセルをカテゴリに分類します。例えば、空、建物、道路などを区別します。

インスタンスセグメンテーション

インスタンスセグメンテーションは、同じカテゴリ内の個々の物体を区別します。例えば、複数の人物がいる場合、それぞれの人物を個別に識別します。

姿勢推定

姿勢推定は、人物の骨格構造を認識するタスクです。画像内の人物の関節の位置を特定し、体の姿勢や動きを理解します。これは、スポーツ分析やモーションキャプチャーなどに応用されています。

2. 代表的な画像認識モデルについて理解する

AlexNet

2012年、画像認識の精度を大きく向上させたAlexNetが登場しました。AlexNetは、畳み込み層とプーリング層を交互に積み重ねる構造を持っています。具体的には、5つの畳み込み層と3つのプーリング層、そして3つの全結合層で構成されています。このモデルは、当時の他の手法と比べて圧倒的な精度を示し、ディープラーニングの有効性を証明しました。

VGG

AlexNetの後、より深いネットワークを目指して開発されたのがVGGです。VGGの特徴は、3×3の小さな畳み込みフィルタを使用し、畳み込み層を繰り返し積み重ねる単純な構造にあります。この設計により、16層や19層といった深いネットワークを実現しました。また、VGGでは段階的な学習方法を採用しています。まず少ない層数で学習を行い、その後徐々に層を追加して深くしていくことで、深いネットワークでも効果的に学習できるようにしています。

GoogLeNet

2014年に登場したGoogLeNetは、ネットワークを深くするだけでなく、幅も広げる工夫を行いました。GoogLeNetの特徴は、Inceptionモジュールと呼ばれる構造を導入したことです。Inceptionモジュールでは、同時に異なるサイズの畳み込み処理を行います。これにより、様々な大きさの特徴を同時に捉えることができるようになりました。また、ネットワークの途中に補助的な出力層を設けることで、深いネットワークでも効率的に学習できるようにしています。

ResNet

ネットワークが非常に深くなると、学習が難しくなる問題が生じます。この問題を解決したのがResNetです。ResNetの特徴は、スキップ接続と呼ばれる構造を導入したことです。スキップ接続により、入力をそのまま数層先に伝える経路を作ることで、152層という非常に深いネットワークでも学習が可能になりました。ResNetは人間の識別精度を上回る性能を示し、画像認識の精度を大きく向上させました。

その他のモデル

ResNet以降も、様々なモデルが提案されています。例えば、ResNetの構造を改良したWide ResNetや、スキップ接続を工夫したDenseNetなどがあります。また、2017年には注意機構（Attention）を導入したSqueeze-and-Excitation Networks（SENet）が登場し、さらなる精度向上を実現しました。

3. 画像認識が実世界において、どのように活用されているか理解する

画像認識技術は、私たちの日常生活や産業界で幅広く活用されています。この技術は、コンピュータが画像を解析し、その内容を理解する能力を指します。

セキュリティ分野での応用

監視カメラシステムは画像認識技術の代表的な応用例です。セキュリティ分野では、画像認識を用いて不審者の検出や異常行動の察知が行われています。これにより、人間の目だけでは難しい24時間体制の監視が可能になっています。

医療分野での活用

医療分野でも画像認識の活用が進んでいます。X線やMRI画像の分析において、AIが医師の診断を支援しています。例えば、がん細胞の早期発見や骨折の検出など、様々な場面で利用されています。この技術により、診断の精度向上や医療従事者の負担軽減が図られています。

自動車産業における応用

自動車産業では、画像認識は自動運転技術の要となっています。車載カメラが捉えた映像をリアルタイムで解析し、歩行者や他の車両、交通標識を認識します。これにより、事故のリスクを減らし、より安全な運転環境の実現に近づいています。

小売業での利用

小売業においても、画像認識は重要な役割を果たしています。店舗内の商品棚の管理や在庫確認、さらには無人レジシステムの実現にも活用されています。これにより、業務効率の向上や人件費の削減が可能になっています。

農業分野での活用

農業分野では、ドローンで撮影した画像を分析し、作物の生育状況や病害虫の発生を把握するのに役立っています。この技術により、効率的な農作業や収穫量の増加が期待されています。

---

キーワード解説

AlexNet

2012年、ジェフリー・ヒントン教授らのチームが開発した「AlexNet」は、画像認識分野において大きな注目を集めた。このモデルは、ImageNet Large Scale Visual Recognition Challenge（ILSVRC）2012で、従来の手法を大きく上回る性能を示し、ディープラーニングの可能性を広げた。AlexNetは、8層からなる深層畳み込みニューラルネットワーク（CNN）で構成されている。最初の5層は畳み込み層で、いくつかの層には最大プーリング層が続き、最後の3層は全結合層となっている。活性化関数にはReLU（Rectified Linear Unit）を採用し、学習速度の向上に寄与した。また、AlexNetはGPUを活用した並列計算を導入し、大規模データセットでの効率的な学習を実現した。この手法により、従来のCPUベースの学習と比較して、計算時間が大幅に短縮された。さらに、過学習を防ぐためにドロップアウト技術を採用し、モデルの汎化性能を高めた。これらの技術的工夫により、AlexNetはILSVRC2012での画像分類タスクにおいて、トップ5エラー率15.3%を達成し、2位のモデルに約10.8ポイントの差をつけた。

DeepLab

DeepLabは、画像認識分野でセマンティックセグメンテーションを行うための深層学習モデルである。セマンティックセグメンテーションとは、画像内の各ピクセルに対して特定のクラスラベルを割り当てる技術であり、物体の境界を精密に識別することが求められる。DeepLabシリーズは、Googleの研究チームによって開発され、複数のバージョンを経て進化してきた。初期のDeepLab v1およびv2では、膨張畳み込み（dilated convolution）を導入し、受容野を効果的に拡大することで、広範囲のコンテキスト情報を収集する設計が採用された。これにより、物体の境界をより正確に捉えることが可能となった。さらに、DeepLab v2では、異なる膨張率を持つ複数の畳み込みを並列に適用する「膨張空間ピラミッドプーリング（ASPP）」が提案され、マルチスケールの情報を効率的に活用する手法が確立された。その後、DeepLab v3では、ASPPモジュールの改良が行われ、後処理として用いられていた条件付きランダムフィールド（CRF）を廃止し、エンドツーエンドの学習が可能となった。これにより、モデルのシンプルさと性能が向上した。さらに、DeepLab v3+では、エンコーダ・デコーダ構造を採用し、特に物体の境界付近のセグメンテーション精度が向上した。エンコーダ部分では、Xceptionモデルを活用し、深さ方向に畳み込みを分解する「深さ方向分離可能畳み込み（depthwise separable convolution）」を適用することで、計算効率と精度の両立が図られている。

DenseNet

DenseNet（Densely Connected Convolutional Networks）は、2016年に提案された深層学習モデルで、画像認識分野で注目を集めている。このモデルの特徴は、各層が前のすべての層からの出力を入力として受け取り、情報の流れを効率的に活用する点にある。これにより、勾配消失問題を緩和し、より深いネットワークの学習が可能となる。DenseNetは、複数の「Dense Block」と呼ばれるブロックで構成されている。各Dense Block内では、層間の接続が密に行われ、特徴マップがチャンネル方向に結合される。これにより、特徴の再利用が促進され、効率的な学習が実現される。また、Dense Block間には「Transition Layer」が配置され、1×1の畳み込みと平均プーリングにより、チャンネル数と特徴マップのサイズを調整する役割を担う。DenseNetの利点として、パラメータ数の削減が挙げられる。ResNetと比較して、同等以上の性能を維持しつつ、パラメータ数を大幅に減少させることが可能である。さらに、各層が前のすべての層からの入力を受け取るため、特徴伝達が強化され、学習効率が向上する。

EfficientNet

EfficientNetは、2019年にGoogle Brainの研究者らが提案した画像認識モデルで、モデルのスケーリング手法を再考することで高い精度と効率性を実現している。従来のモデルは、深さ、幅、解像度のいずれか一つの要素を個別に拡張することで性能向上を図っていたが、EfficientNetはこれら三つの要素をバランスよく同時に拡張する「複合スケーリング（Compound Scaling）」を採用している。このアプローチにより、EfficientNetは少ないパラメータ数で高い精度を達成している。例えば、EfficientNet-B7は、従来の最先端モデルと比較して、約8分の1のパラメータ数で同等以上の精度を示している。EfficientNetのアーキテクチャは、Mobile Inverted Bottleneck（MBConv）と呼ばれるブロックを基盤としており、これにSqueeze-and-Excitation（SE）モジュールを組み合わせている。これにより、計算効率を維持しつつ、モデルの表現力を高めている。さらに、2021年にはEfficientNetの改良版であるEfficientNetV2が発表された。EfficientNetV2は、学習速度の向上とモデルサイズの削減を目指しており、プログレッシブラーニングと適応型正則化を導入している。これにより、EfficientNetV2は従来のモデルと比較して、学習時間を短縮しつつ高い精度を維持している。

Fast R-CNN

Fast R-CNNは、2015年に提案された物体検出アルゴリズムで、従来のR-CNNの課題を解決するために開発された。R-CNNでは、各候補領域ごとに個別に畳み込みニューラルネットワーク（CNN）を適用していたため、計算コストが高く、処理速度が遅いという問題があった。これに対し、Fast R-CNNでは、画像全体に対して一度だけCNNを適用し、特徴マップを生成する。その後、各候補領域に対して、特徴マップから対応する部分を抽出し、固定サイズの特徴ベクトルに変換する「RoIプーリング」を行う。この手法により、計算効率が大幅に向上し、物体検出の精度も高まった。Fast R-CNNのアーキテクチャは、まず入力画像全体をCNNに通し、特徴マップを得る。次に、外部の領域提案手法（例えば、Selective Search）を用いて候補領域を抽出し、これらの領域を特徴マップ上で対応する部分にマッピングする。その後、各候補領域に対してRoIプーリングを適用し、固定サイズの特徴ベクトルを取得する。この特徴ベクトルは、全結合層を通じて、物体のクラス分類とバウンディングボックスの位置補正を同時に行う。Fast R-CNNの導入により、物体検出の処理速度が大幅に向上し、リアルタイムアプリケーションへの適用が現実的になった。また、計算資源の効率的な利用が可能となり、大規模なデータセットでの学習や推論がより実用的になった。この手法は、後に提案されたFaster R-CNNやYOLOなどの物体検出アルゴリズムの基盤となり、深層学習を用いた画像認識技術の発展に寄与している。

Faster R-CNN

画像内の物体を検出し、その位置とクラスを同時に予測するタスクに適している。Faster R-CNNは、従来のR-CNNやFast R-CNNの進化版として開発され、処理速度と精度の向上を目指している。Faster R-CNNのアーキテクチャは主に以下の要素で構成されている。まず、入力画像から特徴マップを抽出するために、事前学習されたCNN（例えばVGG16やResNetなど）が使用される。次に、Region Proposal Network（RPN）と呼ばれるネットワークが、特徴マップ上で物体が存在する可能性の高い領域（候補領域）を提案する。RPNは、各位置で複数のアンカーボックスを設定し、それぞれのアンカーボックスが物体を含む確率と、その位置の微調整量を予測する。提案された候補領域は、RoIプーリング層を通じて固定サイズの特徴マップに変換され、最終的に全結合層とソフトマックス層を経て、各候補領域のクラスとバウンディングボックスのオフセットが予測される。Faster R-CNNの特徴の一つとして、RPNを導入することで、物体の候補領域の提案を効率的に行える点が挙げられる。これにより、従来のSelective Searchなどのアルゴリズムに比べて、処理時間の短縮が実現されている。また、RPNと物体検出ネットワークが特徴マップを共有することで、計算資源の節約にもつながっている。Faster R-CNNは、PASCAL VOCやMS COCOなどのベンチマークデータセットで高い精度を示しており、物体検出の分野で標準的な手法として広く採用されている。さらに、Faster R-CNNのアーキテクチャは、他のタスク（例えば、インスタンスセグメンテーション）への応用も可能であり、さまざまな応用分野で活用されている。

FCN

FCN（Fully Convolutional Network）は、画像認識分野で用いられる深層学習モデルの一種で、特にセマンティックセグメンテーションに適している。従来の畳み込みニューラルネットワーク（CNN）では、全結合層を通じて最終的な分類結果を得るが、FCNは全結合層を排し、全ての層を畳み込み層で構成する。これにより、入力画像と同じ解像度の出力を生成し、各ピクセルに対してクラスラベルを割り当てることが可能となる。FCNの特徴として、入力画像のサイズに依存せず、任意の大きさの画像に対応できる点が挙げられる。また、全結合層を使用しないため、位置情報を保持したまま処理を行うことができる。これにより、画像全体の文脈を考慮した精度の高いセグメンテーションが実現する。FCNは、セマンティックセグメンテーションの分野で広く採用されており、医用画像解析や自動運転技術など、多様な応用分野で活用されている。その後、U-NetやSegNetといったモデルがFCNを基盤として開発され、さらなる性能向上が図られている。

FPN

FPN（Feature Pyramid Network）について、画像認識分野では、物体の大きさや位置が多様であるため、異なるスケールの特徴を効果的に捉えることが重要となる。Feature Pyramid Network（FPN）は、この課題に対処するための手法であり、深層畳み込みニューラルネットワーク（CNN）の多層構造を活用して、マルチスケールの特徴マップを生成する。FPNの基本的な構造は、ボトムアップとトップダウンの2つの経路から成り立つ。ボトムアップ経路では、従来のCNNと同様に、入力画像から高次の抽象的な特徴を抽出する。一方、トップダウン経路では、高次の特徴マップをアップサンプリングし、低次の特徴マップと融合することで、解像度が高く、かつセマンティックな情報を豊富に含む特徴マップを生成する。このようにして、異なるスケールの物体を効果的に検出するためのマルチスケールの特徴表現が得られる。FPNは、物体検出モデルであるFaster R-CNNやRetinaNetなどに組み込まれ、その性能向上に寄与している。特に、RetinaNetでは、FPNと新たな損失関数であるFocal Lossを組み合わせることで、高精度な物体検出を実現している。さらに、FPNの発展形として、PANet（Path Aggregation Network）やEfficientDetなどが提案されており、これらはFPNの概念を拡張し、より効率的で高性能な物体検出を目指している。

GoogLeNet

GoogLeNetは、2014年のILSVRC（ImageNet Large Scale Visual Recognition Challenge）で優勝した画像認識モデルである。このモデルは、Googleの研究チームによって開発され、従来の畳み込みニューラルネットワーク（CNN）と比較して、より深い層構造を持つ。具体的には、22層の深さを持ち、Inceptionモジュールと呼ばれる独自のアーキテクチャを採用している。Inceptionモジュールは、異なるサイズのフィルター（1×1、3×3、5×5）を並列に配置し、入力データから多様な特徴を同時に抽出することを可能にする。これにより、モデルの表現力が向上し、計算コストを抑えつつ高精度な画像認識を実現している。また、GoogLeNetはGlobal Average Pooling（GAP）を導入し、全結合層を削減することで過学習のリスクを低減している。さらに、Auxiliary Lossと呼ばれる補助的な損失関数を中間層に設けることで、勾配消失問題を緩和し、学習の安定性を高めている。GoogLeNetの登場により、深層学習モデルの設計において、層の深さだけでなく、幅や多様性を考慮したアーキテクチャの重要性が認識されるようになった。その後のモデル開発にも大きな影響を与え、Inceptionシリーズとしてさらなる改良が加えられている。

Mask R-CNN

画像認識分野で用いられる深層学習モデルの一つで、物体検出とインスタンスセグメンテーションを同時に行う手法である。このモデルは、Faster R-CNNを基盤としており、物体の位置を示すバウンディングボックスの予測に加え、各物体のピクセル単位のマスクも生成する。これにより、画像内の各物体を個別に識別し、その形状を詳細に捉えることが可能となる。Mask R-CNNの主な特徴は、RoIAlign（Region of Interest Align）と呼ばれる手法を導入している点である。従来のRoIPoolでは、量子化による位置情報のずれが生じていたが、RoIAlignはこれを解消し、より正確な位置合わせを実現している。これにより、マスクの精度が向上し、物体の境界をより正確に捉えることができる。また、Mask R-CNNは、物体検出とセグメンテーションのタスクを統合的に処理するため、効率的な学習と推論が可能である。さらに、人体の姿勢推定など、他のタスクへの応用も容易であり、柔軟性の高いモデルとして知られている。

MnasNet

MnasNetは、Googleが開発したニューラルアーキテクチャ探索（NAS）を用いて自動設計された深層学習モデルで、特にモバイルデバイス上での画像認識に適している。このモデルは、強化学習を活用し、実際のデバイス上での速度と精度のバランスを最適化するよう設計されている。具体的には、モバイル環境での応答速度の制約を考慮し、速度情報を探索アルゴリズムの報酬関数に明示的に組み込むことで、精度と速度のトレードオフを効果的に達成している。MnasNetの設計は、畳み込みニューラルネットワーク（CNN）を一連のブロックに分解し、各ブロック内のレイヤキテクチャを決定する階層的な探索空間を採用している。これにより、異なるレイヤで異なる操作や接続を使用しつつ、検索スペースのサイズを大幅に縮小することが可能となっている。ImageNetの画像分類タスクにおいて、MnasNetは最先端のMobileNetV2と比較して1.5倍の速度向上を達成し、NASNetよりも2.4倍高速であることが示されている。また、MnasNetにSE（squeeze-and-excitation）最適化法を適用したモデルは、ResNet-50と同等の精度を達成しつつ、パラメータ数と計算量を大幅に削減している。MnasNetの成功は、モバイルデバイス上での効率的な画像認識モデルの自動設計における新たな可能性を示している。その後継モデルであるEfficientNetは、MnasNetのアプローチをさらに発展させ、モデルの深さ、幅、入力画像の大きさをバランス良く調整することで、既存のモデルよりも大幅に少ないパラメータで最先端の性能を達成している。

MobileNet

MobileNetは、Googleが2017年に発表した軽量な畳み込みニューラルネットワーク（CNN）で、特にモバイルデバイスや組み込みシステムなど、計算資源が限られた環境での画像認識タスクに適している。このモデルは、計算量とパラメータ数を削減しつつ、高い精度を維持することを目指して設計されている。MobileNetの主な特徴は、「Depthwise Separable Convolution」という手法の採用にある。従来の畳み込み演算では、入力画像の全チャンネルに対して同時にフィルタを適用するが、Depthwise Separable Convolutionでは、まず各チャンネルごとに個別のフィルタを適用し（Depthwise Convolution）、その後、1×1のフィルタでチャンネル間の情報を統合する（Pointwise Convolution）。この2段階の処理により、計算量を大幅に削減しながら、従来の畳み込み演算と同等の結果を得ることが可能となる。さらに、MobileNetでは「Width Multiplier」と「Resolution Multiplier」というハイパーパラメータを導入している。Width Multiplierは、ネットワークの幅、すなわち各層のフィルタ数を調整するもので、モデルのサイズと計算量を制御する。一方、Resolution Multiplierは、入力画像の解像度を調整し、計算量と精度のバランスを取る役割を果たす。これらのパラメータにより、ユーザーは特定のアプリケーションやデバイスの要件に応じて、モデルの複雑さと性能を柔軟に調整できる。MobileNetは、画像分類、物体検出、セマンティックセグメンテーションなど、さまざまな画像認識タスクで広く利用されている。その後継モデルとして、MobileNetV2やMobileNetV3が開発され、精度と効率性の向上が図られている。これらのモデルは、スマートフォンやIoTデバイスなど、リソースが限られた環境でのリアルタイム画像処理において、特に有用である。

NAS

NAS（Neural Architecture Search）は、ニューラルネットワークの構造を自動的に設計する手法である。従来、ネットワークの設計は専門家の知識と経験に依存していたが、NASはこのプロセスを自動化し、最適なアーキテクチャを探索する。具体的には、強化学習や進化的アルゴリズムを用いて、膨大な候補の中から高性能なネットワーク構造を見つけ出す。この手法により、画像分類や物体検出などのタスクで、人間が設計したモデルを上回る性能を示すネットワークが発見されている。しかし、NASの計算コストは高く、特に大規模なデータセットや複雑なタスクに対しては、計算資源と時間が多く必要となる。この課題に対し、Efficient Neural Architecture Search（ENAS）などの手法が提案されており、重みの共有や効率的な探索戦略を導入することで、計算コストの削減が図られている。さらに、MobileNetV3やEfficientNetのように、NASを活用して設計されたモデルは、モバイルデバイス上でのリアルタイム画像認識にも適している。これらのモデルは、軽量でありながら高い精度を維持しており、実用的な応用が進んでいる。総じて、NASは画像認識モデルの設計プロセスを自動化し、性能向上と効率化に寄与している。

Open Pose

Open Poseは、カーネギーメロン大学の研究者たちによって開発された、画像や動画から人間の姿勢をリアルタイムで推定するオープンソースのライブラリである。この技術は、深層学習を活用し、人体の関節位置や骨格構造を高精度に検出することが可能である。特に、顔の表情や手指の動きなど、細かな部分まで解析できる点が特徴的である。OpenPoseの主な機能として、単一人物だけでなく、複数人が映る画像や動画においても、それぞれの人物の姿勢を同時に推定できる点が挙げられる。これにより、スポーツの動作分析、リハビリテーション、エンターテインメント分野など、多岐にわたる応用が期待されている。また、OpenPoseは、特別なセンサーや装置を必要とせず、一般的なカメラとコンピュータがあれば利用可能である。これにより、従来のモーションキャプチャーシステムと比較して、手軽に人間の動作解析を行うことができる。さらに、OpenPoseは、AI画像生成ツールであるStable Diffusionと組み合わせて使用することも可能である。具体的には、ControlNetという拡張機能を追加することで、OpenPoseを利用したポーズ指定が可能となり、より自由度の高い画像生成が実現する。

PSPNet

PSPNet（Pyramid Scene Parsing Network）は、画像認識の分野でセマンティックセグメンテーションを目的とした深層学習モデルである。従来の手法では、画像内の各ピクセルがどのクラスに属するかを予測する際、広範な文脈情報の欠如が課題となっていた。PSPNetは、この問題に対処するため、空間ピラミッドプーリング（Spatial Pyramid Pooling）を導入し、異なるスケールでの特徴を効果的に統合する。具体的には、PSPNetはエンコーダとしてResNetなどの既存の畳み込みニューラルネットワークを用い、入力画像から特徴マップを抽出する。その後、ピラミッドプーリングモジュール（PPM）を通じて、異なるサイズのプーリング操作を行い、画像全体の文脈情報を多層的に取得する。これにより、画像内の大域的な情報と局所的な情報をバランスよく捉え、精度の高いセグメンテーションを実現する。

ResNet

ResNet（Residual Network）は、2015年にKaiming Heらが提案した深層学習モデルで、画像認識分野で広く用いられている。従来の深層ニューラルネットワークは、層を深くすることで性能向上が期待されていたが、勾配消失問題により学習が困難になることが多かった。ResNetは、残差接続（Residual Connection）を導入することで、この問題を緩和し、非常に深いネットワークの学習を可能にした。残差接続は、層の入力を出力に直接加算する仕組みで、これにより勾配が減衰せずに伝播し、深い層でも効果的な学習が可能となる。この構造により、ResNetは50層から152層といった非常に深いネットワークを実現し、画像認識タスクで高い精度を達成している。ResNetの登場以降、WideResNetやResNeXt、DenseNetなど、ResNetのアーキテクチャを発展させたモデルも提案されている。これらのモデルは、ResNetの基本構造を基に、層の幅を広げたり、グループ化した畳み込みを導入するなどの工夫を加え、さらなる性能向上を目指している。

SegNet

セマンティックセグメンテーションの手法の一つで、ケンブリッジ大学の研究者らによって提案された。このモデルは、エンコーダとデコーダから構成されるアーキテクチャを採用している。エンコーダ部分では、入力画像から特徴を抽出し、デコーダ部分では、その特徴をもとに元の画像サイズに復元しながら各ピクセルのクラスを予測する。特に、エンコーダでのプーリング操作時に得られるインデックス情報をデコーダで活用することで、復元時の精度向上を図っている。

SENet

2017年に提案された画像認識モデルで、畳み込みニューラルネットワーク（CNN）の性能向上を目的としている。このモデルは、各チャネルの重要度を動的に調整する「Squeeze-and-Excitation（SE）ブロック」を導入している。SEブロックは、まず入力特徴マップの空間情報をグローバル平均プーリング（GAP）によって圧縮し、各チャネルの全体的な情報を抽出する。次に、全結合層を通じてチャネル間の相関を学習し、シグモイド関数で0から1の範囲に正規化された重みを得る。最後に、この重みを元の特徴マップに再度掛け合わせることで、重要なチャネルを強調し、不要なチャネルの影響を抑制する。この手法により、CNNは入力画像の特徴をより効果的に捉えることが可能となり、画像認識タスクにおいて高い精度を達成している。

SSD

SSD（Single Shot MultiBox Detector）の略称であり、物体検出の手法の一つである。従来の物体検出手法は、画像内の物体候補領域を生成し、その後に各領域を分類する二段階のプロセスを採用していた。これに対し、SSDは単一のニューラルネットワークで物体の位置とクラスを同時に予測する。これにより、処理速度が向上し、リアルタイムでの物体検出が可能となる。SSDのネットワーク構造は、一般的に画像分類で用いられる畳み込みニューラルネットワーク（CNN）を基盤としている。具体的には、VGG-16などの既存の画像分類モデルの全結合層を除去し、代わりに複数の畳み込み層を追加することで、異なるスケールの特徴マップを生成する。これらの特徴マップ上で、異なるサイズやアスペクト比のデフォルトボックス（アンカーボックス）を設定し、各ボックスに対して物体の存在確率と位置オフセットを予測する。SSDの特徴として、マルチスケールの特徴マップを活用する点が挙げられる。これにより、小さな物体から大きな物体まで、さまざまなサイズの物体を効果的に検出できる。さらに、デフォルトボックスの設定により、異なるアスペクト比やスケールの物体にも対応可能である。一方で、SSDには小さな物体の検出精度が低下する傾向があるという課題も指摘されている。これを改善するために、データ拡張やハードネガティブマイニングといった手法が導入されている。

U-Net

U-Netは、2015年にOlaf Ronnebergerらが生物医学画像のセグメンテーションを目的として提案した畳み込みニューラルネットワーク（CNN）の一種である。このモデルは、エンコーダとデコーダから構成され、入力画像の特徴を抽出し、元の解像度でセグメンテーションマップを生成する。エンコーダ部分では、畳み込みとプーリングを繰り返して画像の特徴を圧縮し、デコーダ部分では、アップサンプリングと畳み込みを通じて元のサイズに復元する。特筆すべきは、エンコーダとデコーダの対応する層間にスキップ接続を設け、詳細な特徴情報を直接伝達することで、精度の高いセグメンテーションを実現している点である。U-Netの構造は、左右対称の「U」字型をしており、エンコーダで抽出された特徴マップをデコーダで再構築する際、スキップ接続により高解像度の情報を保持する。これにより、微細な構造の検出が可能となり、医療画像解析や自動運転技術など、さまざまな分野での応用が進んでいる。さらに、U-Netは少量の学習データでも高い性能を発揮することが知られており、データ拡張やスキップ接続の効果により、限られたデータセットでも優れた結果を得られる。この特性は、医療画像など大量のデータ収集が難しい分野でも効果的に活用できることを意味する。

VGG

VGG（Visual Geometry Group）は、オックスフォード大学の研究グループが開発した深層学習モデルで、特に画像認識分野で高い評価を受けている。2014年に発表されたVGGネットワークは、畳み込みニューラルネットワーク（CNN）の一種であり、層を深くすることで画像認識の精度向上を目指している。VGGネットワークの主な特徴は、3×3の小さなフィルタを用いた畳み込み層を多層に重ねるシンプルな構造にある。この設計により、モデルのパラメータ数を抑えつつ、深い層での特徴抽出が可能となっている。具体的には、VGG16とVGG19の2つのバリエーションがあり、それぞれ16層と19層の深さを持つ。VGGネットワークは、2014年のILSVRC（ImageNet Large Scale Visual Recognition Challenge）において、画像分類部門で2位、物体のローカライゼーション部門で1位を獲得し、その性能の高さが証明された。この成功により、VGGは画像認識の分野で広く利用されるようになり、後続のモデル開発にも影響を与えている。しかし、VGGネットワークにはいくつかの課題も存在する。例えば、層が深くなることで計算コストが増加し、学習時のリソース消費が大きくなる点が挙げられる。また、パラメータ数が多いため、過学習のリスクも高まる。これらの課題を克服するため、ResNetなどの新しいモデルが開発され、VGGの設計思想を継承しつつ改良が進められている。

Vision Transformer

Vision Transformer（ViT）は、画像認識分野において、従来の畳み込みニューラルネットワーク（CNN）に代わる新たなアプローチとして注目されているモデルである。このモデルは、自然言語処理で高い性能を示したTransformerアーキテクチャを画像認識に応用したもので、Google Brainの研究者らによって2020年に提案された。ViTの基本的な考え方は、画像を一定サイズのパッチ（小領域）に分割し、これらのパッチをシーケンスデータとして扱うことである。具体的には、画像を固定サイズのパッチに分割し、各パッチを一次元ベクトルに変換する。その後、これらのベクトルに位置情報を付加し、Transformerのエンコーダに入力する。この手法により、画像全体の文脈情報を効果的に捉えることが可能となる。ViTの特徴の一つは、大規模なデータセットで事前学習を行うことで、高い性能を発揮する点である。特に、JFT-300Mのような大規模データセットで事前学習を行い、ImageNetやCIFAR-100などのベンチマークデータセットで微調整を行うことで、従来の最先端のCNNモデルと同等、またはそれ以上の性能を示している。しかし、ViTは大規模なデータセットでの事前学習が必要であり、小規模なデータセットでは性能が低下する傾向がある。これは、CNNが持つ位置不変性や局所性といった帰納的バイアスをViTが持たないためである。そのため、データセットの規模や特性に応じて、ViTとCNNを適切に使い分けることが重要となる。

Wide ResNet

Wide ResNet（Wide Residual Networks）は、従来のResNet（Residual Networks）を改良した深層学習モデルで、画像認識タスクにおいて高い性能を示している。ResNetは、ネットワークの深さを増やすことで表現力を高めてきたが、層を深くすることで計算効率が低下する問題があった。これに対し、Wide ResNetはネットワークの「幅」、すなわち畳み込み層のチャンネル数を増やすことで、層の深さを抑えつつ高い性能を実現している。具体的には、Wide ResNetはResidual Block内の畳み込み層のチャンネル数を増加させることで、特徴量の再利用が減少する問題に対処している。また、ドロップアウトを導入することで、過学習を防ぎ、モデルの汎化性能を向上させている。これにより、従来のResNetと比較して、層の深さを大幅に減らしながらも、同等以上の精度を達成している。Wide ResNetの導入により、計算効率が向上し、学習時間の短縮が可能となった。例えば、16層のWide ResNetは、従来の1000層のResNetよりも高い精度を示し、計算時間も大幅に削減されている。このように、Wide ResNetは、深さよりも幅を広げるアプローチで、画像認識タスクにおいて効果的なモデルとなっている。

YOLO

YOLO（You Only Look Once）は、2015年にJoseph Redmonらによって提案された物体検出アルゴリズムである。従来の物体検出手法は、画像内の複数の領域を個別に解析し、物体の存在を判断していた。これに対し、YOLOは画像全体を一度に処理し、物体の位置とクラスを同時に予測する。このアプローチにより、リアルタイムでの物体検出が可能となった。YOLOの基本的な仕組みは、入力画像をS×Sのグリッドに分割し、各セルが特定の数のバウンディングボックスとその信頼度スコアを予測するというものである。信頼度スコアは、予測されたボックスが物体を含む確率と、そのボックスがどれだけ正確かを示す。この手法により、YOLOは高い検出速度を実現している。初期のYOLOv1から始まり、YOLOv2、YOLOv3といったバージョンアップが行われ、精度と速度の両面での改善が続けられてきた。特にYOLOv2では、バッチ正規化やアンカーボックスの導入により、検出性能が向上した。さらに、YOLOv3では、複数のスケールでの検出や、より複雑なバックボーンネットワークの採用により、精度がさらに向上した。その後も、YOLOv4やYOLOv5などのバージョンが登場し、最新の技術を取り入れた改良が続けられている。これらのバージョンでは、モデルの軽量化や精度の向上が図られており、さまざまな応用分野での利用が進んでいる。YOLOの特徴として、単一のニューラルネットワークで物体検出を行うため、エンドツーエンドでの最適化が可能である点が挙げられる。また、リアルタイムでの処理が可能なため、監視カメラや自動運転車など、即時性が求められる応用にも適している。一方で、YOLOには小さな物体の検出が難しいという課題も指摘されている。これは、畳み込み層を通過する際に小さな物体の特徴が失われやすいためである。この問題に対しては、マルチスケールの特徴抽出や、特定のデータセットでの再学習などの手法が提案されている。

一般物体認識

画像内に存在する物体を検出し、それぞれのカテゴリを識別する技術を指す。この技術は、画像中の物体が何であるかを特定し、その位置を明確にすることを目的としている。例えば、写真に写る自転車や自動車を検出し、それぞれを正確に分類することが可能である。従来の一般物体認識では、人手で設計した特徴量（例えば、HOGやHaar-like特徴）を用い、サポートベクターマシン（SVM）やブースティングといった機械学習手法を適用することが一般的であった。しかし、これらの手法では精度に限界があり、実用化には至らないケースが多かった。ディープラーニング技術の登場により、画像データを直接ニューラルネットワークに入力し、特徴抽出と識別を同時に最適化するアプローチが主流となり、精度が飛躍的に向上した。一般物体認識のタスクは、最終的な出力形式に応じて以下の3つに分類される。 - 画像分類：画像全体に対して、主な物体のカテゴリを特定する。 - 物体検出：画像内の複数の物体を検出し、それぞれの位置とカテゴリを識別する。 - セマンティックセグメンテーション：画像内の各ピクセルに対して、対応するカテゴリを割り当てる。 これらの中で、物体検出は画像分類よりも複雑であり、セマンティックセグメンテーションはさらに高度な技術を要する。一般物体認識の技術は、製造業における製品の検品や、自動運転車の周囲環境の認識、監視カメラによる異常検知など、多岐にわたる分野で応用されている。これらの応用により、業務の効率化や安全性の向上が期待されている。近年、一般物体認識の精度向上に伴い、ビジネスへの導入が進んでいる。例えば、不動産業界では、物件写真の自動分類により、データ入力の効率化が図られている。また、食品業界では、料理写真の自動認識を活用したサービスが提供されている。

インスタンスセグメンテーション

画像認識の分野で、画像内の各物体を個別に識別し、その輪郭をピクセル単位で正確に抽出する技術である。従来の物体検出手法では、物体の位置を矩形のバウンディングボックスで囲むことで大まかな位置を特定していたが、インスタンスセグメンテーションでは、各物体の形状や境界を詳細に捉えることが可能となる。これにより、同一クラスの複数の物体が存在する場合でも、それぞれを個別に識別し、正確な数や位置情報を取得できる。この技術は、医療画像解析や自動運転、産業用ロボティクスなど、多岐にわたる分野で応用されている。例えば、医療分野では、CTやMRI画像から臓器や病変部位を正確に抽出し、診断や治療計画の策定に役立てられている。自動運転の分野では、道路上の歩行者や他の車両、信号機などを個別に認識することで、安全な走行を支援している。インスタンスセグメンテーションの代表的な手法として、Mask R-CNNが挙げられる。このモデルは、物体検出とセグメンテーションを同時に行うことができ、高い精度で物体の輪郭を抽出する。また、近年では、Transformerを用いた手法も研究されており、さらなる性能向上が期待されている。セマンティックセグメンテーションと比較すると、インスタンスセグメンテーションは、同一クラス内の個々の物体を区別して認識できる点で優れている。セマンティックセグメンテーションでは、同じクラスに属する物体を一つの領域として扱うため、個別の物体を識別することは難しい。一方、インスタンスセグメンテーションでは、各物体を個別に認識し、その形状や位置を詳細に把握することが可能である。

姿勢推定

姿勢推定は、画像や動画から人間の骨格や関節の位置を特定し、姿勢を解析する技術である。この技術には、ディープラーニングを活用し、カメラ映像から人の骨格情報をリアルタイムに検出する高精度な姿勢推定AIエンジン「VisionPose」などが存在する。また、スポーツや医療、セキュリティなどの分野で活用されており、例えば、スポーツ選手のパフォーマンス分析やリハビリテーションの進行状況の追跡、監視カメラの映像から不審な行動の検出などに利用されている。姿勢推定技術は、画像や動画に映った人の姿勢情報を取得するためのAI技術であり、従来は身体に付けるマーカーや特別なセンサーを使用する方法が一般的であったが、深層学習を使った姿勢推定AIでは、マーカーや特別なセンサーを使わず、一般的なビデオカメラ1台で撮影した映像から、人の骨格を手軽に認識することができる。

セマンティックセグメンテーション

セマンティックセグメンテーションは、画像内の各ピクセルに対して特定のクラスラベルを割り当てる手法を指す。これにより、画像中の物体や領域を詳細に識別し、例えば道路、建物、樹木などをピクセルレベルで分類することが可能となる。この技術は、自動運転車の周囲環境の理解、医療画像における病変部位の特定、製造業での製品検査など、多岐にわたる応用分野で活用されている。セマンティックセグメンテーションの実現には、深層学習モデルが広く用いられている。特に、全結合層を畳み込み層に置き換えた全畳み込みネットワーク（Fully Convolutional Network: FCN）は、入力画像のサイズに依存せず、ピクセル単位での分類を可能にする。また、エンコーダ・デコーダ構造を持つSegNetや、スキップ接続を活用したU-Netなどのモデルも高精度なセグメンテーションを実現している。さらに、特徴ピラミッドネットワーク（Feature Pyramid Networks: FPN）や、領域ベースの畳み込みニューラルネットワーク（Region-Convolutional Neural Network: R-CNN）など、多様な手法が提案されている。セマンティックセグメンテーションと関連する手法として、インスタンスセグメンテーションが挙げられる。セマンティックセグメンテーションが同一クラスの物体を一括りに分類するのに対し、インスタンスセグメンテーションは同一クラス内の個々の物体を区別して識別する。例えば、複数の人が写っている画像で、各人を個別に認識する場合、インスタンスセグメンテーションが適用される。これらの手法を組み合わせたパノプティックセグメンテーションも研究されており、より詳細な画像解析が可能となっている。セマンティックセグメンテーションの精度向上には、正確なアノテーションデータが不可欠である。各ピクセルに対して正確なラベル付けを行うことで、モデルの学習が効果的に進む。しかし、ピクセルレベルでのアノテーションは手間と時間を要するため、専門のアノテーションサービスを利用するケースも多い。

物体検出

物体検出は、画像内の特定の物体を識別し、その位置や種類、個数などの情報を抽出する技術である。これは、画像分類が画像全体の内容を判別するのに対し、物体検出は画像内の各物体を個別に認識し、その位置を特定する点で異なる。この技術は、監視カメラの映像解析、自動運転車の周囲環境認識、医療画像の解析など、多岐にわたる分野で応用されている。物体検出の手法として、深層学習を用いたものが主流となっている。特に、畳み込みニューラルネットワーク（CNN）を基盤としたモデルが高い精度を示している。代表的な手法として、R-CNN（Region-based CNN）、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）などが挙げられる。R-CNNは、画像内の物体候補領域を抽出し、それぞれをCNNで分類する手法である。一方、YOLOやSSDは、画像全体を一度に解析し、物体の位置と種類を同時に予測することで、高速な処理を実現している。物体検出の精度向上には、大量の学習データと適切なアノテーションが不可欠である。また、モデルの性能評価には、平均適合率（mAP）などの指標が用いられる。近年、Transformerを活用したDETR（DEtection TRansformer）など、新たな手法も提案されており、物体検出の分野は日々進展している。

物体識別

画像内に存在する物体が何であるかを特定する技術を指す。この技術は、画像全体を解析し、特定の物体が含まれているかを判断する「画像分類」と、画像内の物体の位置を特定する「物体検出」と密接に関連している。物体識別は、これらの技術と組み合わせることで、画像内の物体の種類とその位置を同時に特定することが可能となる。物体識別の主な手法として、畳み込みニューラルネットワーク（CNN）が広く用いられている。CNNは、画像の特徴を自動的に抽出し、高い精度で物体を識別する能力を持つ。さらに、YOLO（You Only Look Once）やSSD（Single Shot MultiBox Detector）といった手法は、物体の位置と種類を同時に推定することができ、リアルタイムでの物体識別に適している。物体識別技術は、製造業の外観検査や自動運転車の周囲環境認識、医療画像の診断支援など、多岐にわたる分野で応用されている。これらの応用により、業務の効率化や安全性の向上が期待されている。物体識別の精度を高めるためには、大量の学習データと適切なモデルの選択が重要である。また、環境や条件の変化に対応できる柔軟なモデルの構築も求められる。

パノプティックセグメンテーション

画像認識分野において、セマンティックセグメンテーションとインスタンスセグメンテーションを統合した手法である。従来、セマンティックセグメンテーションは画像内の各ピクセルにクラスラベルを割り当て、物体の種類を識別するが、同一クラス内の個々の物体を区別することはできなかった。一方、インスタンスセグメンテーションは、同一クラス内の個々の物体を識別するが、背景や非対象物の領域に関する情報は提供しない。パノプティックセグメンテーションは、これら二つの手法を組み合わせ、画像内の全てのピクセルに対してクラスラベルを付与しつつ、数えられる物体に対しては個別の識別を行う。これにより、画像全体の包括的な理解が可能となり、複雑なシーンの解析や自動運転、医療画像解析など、多様な応用分野での活用が期待されている。