画像や動画の中から特定のオブジェクト（物体）の位置と種類を自動的に特定するAI技術。バウンディングボックスと呼ばれる矩形領域で位置を指定し、その中身が何であるかを分類する。自動運転や防犯カメラ、工場の検品など幅広い分野で活用されており、深層学習の発展によってリアルタイムでの高精度な検出が実現している。
物体検出とは
画像や動画の中から「どこに何があるか」をAIが自動的に見つけ出す技術であり、対象物の「位置（領域）」の特定と「クラス（種類）」の分類を同時に行うコンピュータビジョンの代表的なタスクです。
詳しく解説
従来の画像分類が画像全体に対して1つのカテゴリを予測するのに対し、物体検出は1枚の画像に複数の対象が存在する場合でも、それぞれの位置をバウンディングボックス（境界枠）と呼ばれる四角い枠で囲み、同時にそれぞれのカテゴリを識別します。近年では、畳み込みニューラルネットワーク（CNN）やTransformerベースの深層学習モデルの発展により、処理速度と精度が劇的に向上しました。これにより、静止画だけでなくリアルタイムの動画に対しても高精度な検出が可能となり、様々な産業で自動化や効率化を支える基盤技術となっています。
具体例・使われ方
自動運転システムがカメラ映像から歩行者、対向車、信号機、道路標識などをリアルタイムに識別・追跡する例や、工場の生産ラインにおける不良品の自動検知、防犯カメラによる不審者や不審物の自動検知、リテール店舗での顧客行動分析や棚卸し支援などが挙げられます。
似た用語との違い
「画像分類」は画像全体に「犬」や「猫」といった1つのラベルを割り当てるだけで、それが画像のどこにあるかは特定しません。これに対し「物体検出」は位置と種類の両方を特定します。さらに、ピクセル単位で物体の精緻な境界線まで切り分ける「セマンティックセグメンテーション」や「インスタンスセグメンテーション」は、物体検出よりもさらに高度な位置特定を行う技術です。
注意点
光の反射や逆光などの照明変化、物体同士の重なり（オクルージョン）、背景のノイズなどによって検出精度が低下することがあります。また、極端に小さな物体や、学習データに含まれていない未知の物体を正しく認識することは困難です。高精度なモデルを構築するためには、大量の画像に位置情報とクラス情報を手作業で付与するアノテーション作業が必要となり、これには多大なコストと時間がかかります。