「画像のどこに何があるか」を見つける物体検出。その初期の主役R-CNNには、遅すぎるという致命的な弱点がありました。CNNの適用を「1回きり」にして劇的に高速化したのが、この記事で解説するFast R-CNNです。鍵となるRoIプーリングまで丁寧に見ていきます。
📖 ひと言でいうと
Fast R-CNNとは、2015年に提案された物体検出アルゴリズムで、画像全体にCNNを一度だけ適用して特徴マップを作り、各候補領域はその特徴マップから「RoIプーリング」で切り出して処理することで、従来のR-CNNを大幅に高速化したモデルです。
たとえるなら、来客のたびに毎回お湯を沸かしてお茶を淹れる(R-CNN)のをやめて、大きなポットに一度だけお茶を作っておき、来客ごとにカップに注ぎ分ける(Fast R-CNN)方式への転換です。時間のかかる作業(CNNによる特徴抽出)を1回で済ませ、あとは使い回す。この「計算の共有」が高速化の本質です。
🖼 1枚でわかるFast R-CNN
📘 公式テキストの説明
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。
対比の軸は1つです。「R-CNN=候補領域ごとにCNNを適用(遅い)」対「Fast R-CNN=画像全体にCNNを1回だけ適用し、候補領域はRoIプーリングで特徴マップから切り出す(速い)」。加えて、候補領域はSelective Searchなど外部の手法に頼っている点、出力は分類と位置補正の同時実行である点を押さえれば、この長文は整理できます。
🔍 しっかり理解する
R-CNNの何が問題だったのか
物体検出は「物体がありそうな場所(候補領域)を挙げる」→「各領域が何かを判定する」という2段階で行われます。先行手法のR-CNNは、Selective Searchで挙げた候補領域(1枚あたり約2000個)を1つずつ切り出し、それぞれを個別にCNNへ通していました。
しかし候補領域は互いに大きく重なり合っています。同じ画像領域に対してCNNの計算を何百回も重複して行うことになり、1枚の処理に膨大な時間がかかっていました。この無駄の排除がFast R-CNNの出発点です。
処理の流れ — CNNは1回、切り出しは特徴マップ上で
鍵技術RoIプーリングの役割
RoI(Region of Interest)とは、特徴マップ上の候補領域のことです。候補領域は縦長・横長・大小さまざまですが、後段の全結合層は決まったサイズの入力しか受け取れません。
RoIプーリングは、形の異なる各RoIを固定数のマス目(グリッド)に区切り、各マスの中で最大値を取る(最大プーリングする)ことで、どんな形・大きさの領域も同じサイズの特徴ベクトルに変換します。たとえるなら、大きさの違う写真をすべて同じマス目のモザイクに要約するイメージです。この変換のおかげで、1枚の特徴マップを何百個の候補領域で共有しながら、統一された後段処理へ流し込めます。
もう1つの改良が出力側です。R-CNNでは分類と位置補正を別々の仕組みで学習していましたが、Fast R-CNNは「この領域は何か(クラス分類)」と「枠をどうずらせば物体にぴったり合うか(バウンディングボックス回帰)」を1つのネットワークで同時に学習・出力します。これにより学習手順も簡素化されました。
残された課題 — 候補領域の生成
Fast R-CNNでもなお、候補領域の生成は外部のSelective Searchに依存していました。CNN部分が高速になった結果、今度はこの領域提案が処理時間のボトルネックとして残ります。この課題を、領域提案までニューラルネットワーク(RPN)に統合して解決したのが後継のFaster R-CNNです。「Fast=CNN計算の共有化」「Faster=領域提案の内製化」という進化の流れで覚えましょう。
💡 具体例で考える
店舗の混雑分析カメラを考えます。1フレームの画像から「人」「カート」「商品棚」を検出するとき、R-CNN方式では約2000個の候補領域すべてにCNNを通すため、1枚の解析に長い時間がかかり、映像の流れに全く追いつけません。Fast R-CNN方式なら、重いCNN計算は1フレームにつき1回で済み、残りは特徴マップ上の軽い処理です。この差が、物体検出を研究室の技術から実用システムへ近づけました。
提案者はロス・ガーシック(Ross Girshick)で、R-CNNシリーズを自ら改良し続けた研究者です。R-CNN→Fast R-CNN→Faster R-CNNという系譜は、「どこがボトルネックか」を特定して1つずつ潰していく研究開発の好例として、物体検出の歴史問題でも定番の流れです。
⚠️ よくある誤解・紛らわしい用語
- Faster R-CNNとの混同 — Fast R-CNNは候補領域生成に外部のSelective Searchを使います。領域提案ネットワーク(RPN)で候補領域生成までCNNに統合したのはFaster R-CNNです。「Selective Searchのまま=Fast」「RPN=Faster」で区別しましょう。
- 「CNNを使わない」のではない — CNNの適用を「候補領域ごと」から「画像全体に1回」へ変えたのがポイントです。CNN自体は特徴抽出の中核として使い続けています。
- RoIプーリングは画像の切り抜きではない — 元画像を切り抜いて縮小するのではなく、CNNが出力した「特徴マップ」上の領域を固定サイズの特徴ベクトルへ変換する操作です。この違いが計算共有の要です。
- YOLOとの関係 — YOLOは候補領域を挙げずに画像全体から一段階で検出する別系統の手法です。ただし公式テキストにあるとおり、Fast R-CNNの成果はFaster R-CNNやYOLOなど後続手法の基盤として位置づけられています。
📝 試験でのポイント
- 「画像全体に一度だけCNNを適用し、各候補領域はRoIプーリングで固定サイズの特徴ベクトルに変換する」という記述はFast R-CNNを特定する決め手です。
- R-CNN(候補領域ごとにCNN適用・低速)との対比、Faster R-CNN(RPNで領域提案を統合)との対比は、シリーズ3兄弟の並べ替え・識別問題として頻出が想定されます。
- 「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」という出力の特徴も正誤判定の材料になります。
- 候補領域の生成が外部手法(Selective Search)である点は、「Fast R-CNNは領域提案もCNNで行う」といった誤り選択肢を見抜く鍵です。
📚 まとめ
- Fast R-CNNは2015年提案の物体検出アルゴリズムで、候補領域ごとにCNNを適用していたR-CNNの計算の無駄を解消しました。
- 画像全体へのCNN適用を1回にし、各候補領域はRoIプーリングで特徴マップから固定サイズの特徴ベクトルへ変換します。
- 全結合層でクラス分類とバウンディングボックス位置補正を同時に行い、速度と精度を両立しました。
- 候補領域生成はSelective Search頼みという課題が残り、それを解決したFaster R-CNN、そしてYOLOなどへ続く物体検出発展の基盤となりました。
