領域提案（Region Proposal）とは、画像認識の物体検出タスクにおいて、検出対象の物体が存在する可能性が高い候補領域（バウンディングボックス）を画像内から効率的に切り出す手法です。画像全体のすべてのピクセルを走査する無駄を省き、物体検出モデルの処理速度と検出精度を向上させる上で重要な役割を果たします。
領域提案とは
領域提案（Region Proposal）とは、画像内から物体が存在する可能性が高い領域を事前に絞り込んで抽出する処理のことです。主に物体検出（Object Detection）技術において、無数にある画像内の領域から対象物がありそうな候補（バウンディングボックス）を効率的に特定するために用いられます。
詳しく解説
従来の物体検出では、スライディングウィンドウと呼ばれる手法で画像全体を異なるサイズでくまなく探索していたため、膨大な計算コストがかかっていました。領域提案は、画像の特徴（色、テクスチャ、輝度の境界など）をもとに、物体が存在しそうな領域のみを数百〜数千個に絞り込みます。代表的な初期の手法にはピクセル同士の類似度から領域を統合するSelective Searchがあります。深層学習の登場以降は、物体検出モデルのネットワーク内部で領域提案を高速かつ高精度に行うRegion Proposal Network（RPN）が考案され、Faster R-CNNなどの技術で大きな成果を上げました。
具体例・使われ方
例えば、自動運転システムのカメラ画像から歩行者や車を検出する際、最初に「何か物体がありそうな場所」として道路上の候補領域をいくつか抽出する工程が領域提案に相当します。また、防犯カメラの映像から不審な動きをする人物を捉えたり、工場の外観検査で製品の傷や欠陥の位置を特定したりする際にも、まず候補領域を特定する段階でこの技術が利用されています。
似た用語との違い
領域提案と混同されやすい概念に「セマンティックセグメンテーション（Semantic Segmentation）」があります。領域提案は物体を矩形の「枠（バウンディングボックス）」の候補として大まかに抽出するのに対し、セマンティックセグメンテーションはピクセル単位で物体の輪郭を厳密に分類・特定します。また、領域提案は物体候補の位置を示すだけであり、その候補が「犬」なのか「車」なのかを特定する「クラス分類（Classification）」は通常、領域提案の後に別プロセスで行われます。
注意点
領域提案の精度は、最終的な物体検出の性能に直結します。もし領域提案の段階で本来検出するべき物体を見落としてしまうと（フォールスネガティブ）、その後の分類処理で正しく検出することは不可能です。また、提案する領域の数が多すぎると計算コストが増大し、リアルタイム処理が難しくなるため、検出精度と処理速度のトレードオフを慎重に調整する必要があります。