【E資格不合格から学ぶ】Faster RｰCNN（物体検出）のポイントを解説！

2022年9月13日2024年10月12日

　「Faster RｰCNN」は、RPN(Region Proposal Network)という物体候補領域の提案の処理にCNNを使用したものを使い、ほぼリアルタイムで動作し「動画認識」への応用される物体検出モデルですが、興味があってもよく理解できないケースが非常に多いです。

　私は過去に基本情報技術者試験（旧：第二種情報処理技術者試験）に合格し、また2年程前に「一般社団法人日本ディープラーニング協会」が主催の「G検定試験」に合格しました。現在、「E資格」にチャレンジ中ですが３回不合格になり、この経験から学習の要点について学ぶ機会がありました。　　

　そこでこの記事では、「Faster RｰCNN」を学習する際のポイントについて解説します。

　この記事を参考にして「Faster RｰCNN」が理解できれば、E資格に合格できるはずです。

1.Faster RｰCNN 開発の背景

R-CNNは２段階検出器
手順１：物体候補領域の提案
Selective Search を使用しているため、処理速度が遅い
手順２：提案された候補領域における物体のクラス分類
Fast-R-CNNでは改良されたものの、手順１には Selective Search を使用→ 画像１枚の処理時間は、パート１：1秒、パート２：0.22秒

上記課題の解決策

「Faster RｰCNN」のアイデアとは･･･

Endｰto-Endな学習とは･･･
　１つの問題やタスクに対して、ネットワーク中の入力層（端）から出力層（端）
までの全層の重みを、１度に学習することをいう。
引用元：「CVMLエキスパートガイド」

RPN（Region Proposal Network）とは･･･

特徴マップ
入力画像 ⇒ VGG16により特徴マップに変換
補足）VGG16とは深さが16層のCNN（畳み込みニューラルネットワーク）
Anchors
・矩形領域回帰の誤差関数
・特徴マップに 「Anchor Points」 を仮想
　「Point」ごとに 「Anchor Boxes」 を作成する
・Anchor Points の個数：H × W
・1つの Anchor Point あたりの Anchor Boxes の個数：S
・Anchor Boxes の個数：H×W×S
RPNの出力
・各「Anchor Boxes」を「Grand Truth」の「Boxes」と比較し、含まれているものが背景か物体か、どれくらいズレているか出力
・各「Anchor Boxes」において背景か物体か：H×Ｗ×Ｓ×２
・各「Anchor Boxes」において正解 Boxes とのズレ
　（中心座標(x､y),縦,横）：H×W×S×4

RoI Poolingとは･･･

Fast/Faster R-CNN では 「RoI Pooling（関心領域プーリング）」 を使用
畳み込み処理後の特徴マップから、Region proposal領域を「固定サイズの特徴マップ」として抽出
※前段の畳み込み処理を共通化できて、高速化を実現した要因の1つ
特徴マップ上で固定サイズの特徴ベクトルを切り出す際に、少数を切り捨てるなどの操作をし、情報が粗く離散化されて欠落してしまうため、高精度の推定が難しい

	R-CNN	Fast R-CNN	Faster R-CNN
物体候補領域の提案	Selective Search	Selective Search	Region Proposal Network
提案された候補領域における物体のクラス分類	線形ｻﾎﾟｰﾄﾍﾞｸﾀｰﾏｼﾝ	RoI Pooling	RoI Pooling