【E資格不合格から学ぶ】Mask RｰCNN（物体検出）のポイントを解説！

2023年8月30日2024年12月18日

　「Mask RｰCNN（Mask Regional CNN）」はFaster R-CNNを拡張したアルゴリズムで、ICCV2017 の Best Paper に選出された優秀な深層モデルですが、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、「Mask RｰCNN」のポイントについて解説します。

　この記事を参考に「Mask RｰCNN」のポイントを理解できれば、E資格に合格できるはずです。

1.Mask R-CNNの概要

Mask R-CNNは、Faster R-CNNを拡張したアルゴリズム
・Faster R-CNNの物体検出機能にセグメンテーションの機能を付加したイメージ
バウンディングボックス内の画素（ピクセル）単位でクラス分類を行うため、物体の形も推定可能
（原論文）https://arxiv.org/abs/1703.06870
Mask R-CNNは、ICCV2017 の Best Paper に選出
※ICCV（International Conference on Computer Vision）はコンピュータビジョンの最高峰のカンファレンス（会議）

画像中の「物体らしき領域」＋「その領域にあるクラス」を検出
「物体らしさ」が閾値以上の領域にのみ絞り、領域毎に最も効率が高いクラスを採用
画像全体ではなく、物体検出の結果として得られた領域についてのみSegmentationを行うことで効率アップ ⇒ 「3.Instance Segmentation（個体領域分割）」参照
Faster R-CNNと構造に類似点が多い
　下図よりMask RｰCNN の物体検出精度は、Mask R-CNN から Mask 機構を取り除いた場合と比較し、マルチタスク学習の寄与により精度が向上。
補足）マルチタスク学習とは複数の問題を単一のモデルでまとめて解く手法

Instance Segmentationとは･･･

画像のピクセルをどのクラスに属するかに分類するのに加えて、検出したそれぞれの物体を見分け、Class ID と Instance ID（それぞれの物体のID）を予測する
同じクラスであっても個々の物体を区別することができる
有名なアプローチは YOLACT
YOLOはリアルタイムにワンステップで物体検出を行うアルゴリズムであると同様に、YOLACTはワンステップでInstance Segmentationを行う
もう１つの代表的なアルゴリズムは”Mask R-CNN”、2017年に米 Facebook AI Research 所属のKaiming He らが提案（参考）https://arxiv.org/abs/1703.06870

RoI Alignとは･･･

RoI Alignを導入：
･RoI Pooling の課題：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
･Alignment（位置合わせ）を重視したRoI（Region of Interest：関心領域）特徴を作成
･候補領域座標の小数点以下の数値の切り捨てを回避 ⇒ 領域のズレを軽減
特徴マップをただ間引くのではなく、補完処理によってより多くのピクセルの情報を使う⇒ 推定の精度を上げられた
仕組み：
　RoIをN×Nのグリッドに分割し、グリッドの各点の値を特徴マップの4ヶ所からサンプリングした値を補間法（billinear interpolation など）で算出→ その結果を最大/平均pooling して固定サイズのRoI特徴ベクトルとする