Faster R-CNNは、ディープラーニングを用いた高精度な物体検出アルゴリズムです。従来のモデルのボトルネックだった領域候補の抽出をネットワーク内部で行うことで、精度を維持しながら大幅な処理の高速化を実現しました。
Faster R-CNNとは
一言でいうと、画像の中に写っている複数の物体の「位置」と「種類」を、高精度かつ効率的に検出するための深層学習モデルです。
詳しく解説
Faster R-CNNは、従来のR-CNNやFast R-CNNの課題であった領域提案の遅さを解決するために開発されました。最大の特徴は、RPN（Region Proposal Network）と呼ばれるネットワークを導入した点にあります。これにより、物体が存在しそうな領域の候補抽出を外部のアルゴリズムに頼らず、GPU上で畳み込みニューラルネットワークと共有して高速に行うことが可能になりました。特徴量抽出から領域提案、分類、位置の微調整までを統合したエンドツーエンドの学習が実現されており、物体検出の分野における重要なマイルストーンとなりました。
具体例・使われ方
自動運転システムにおける歩行者や他の車両の検出、監視カメラ映像からの異常検知や不審者発見、工場における製品の外観検査や不良品検出など、リアルタイム性と高い精度が求められるさまざまな画像認識の現場で広く利用されています。
似た用語との違い
前身であるFast R-CNNとの最大の違いは、領域候補の抽出手法です。Fast R-CNNが外部のSelective Searchという手法に依存していたため処理がボトルネックになっていたのに対し、Faster R-CNNはRPNを導入して高速化を果たしました。また、後継であるMask R-CNNとは、物体を囲むバウンディングボックスだけでなく、ピクセル単位で物体の形を切り分けるセグメンテーションを行うかどうかの違いがあります。
注意点
高い検出精度を誇る一方で、YOLOのような単段階の物体検出モデルと比較すると処理速度の面で劣る場合があり、極めて高いリアルタイム性が要求されるユースケースでは注意が必要です。また、大量の教師データとGPUなどの高い計算資源を必要とします。