物体検出モデルの進化を極める：「精度」と「速度」の戦いの歴史
「画像の中に何が（分類）、どこにあるか（位置特定）」を同時に行う技術が「物体検出（Object Detection）」です。
この分野の歴史は、いかにして「高い精度」を維持したまま、実用的な「処理速度」を実現するかという戦いの歴史でもあります。
G検定では、この「2段階型（精度重視）」から「1段階型（速度重視）」へのパラダイムシフトと、それぞれの代表的なモデルの仕組みが頻出ポイントとなります。
【この記事でわかること】
- R-CNN系（2段階型）の進化と高速化の工夫
- YOLO・SSD（1段階型）が登場した背景と仕組み
- 小物体検出を可能にしたFPNの役割
- G検定で問われる「キーワード」と「モデルの分類」
1. Fast R-CNN：R-CNNの弱点を克服（2段階型）
物体検出の先駆けである「R-CNN」は画期的でしたが、処理が非常に遅い（1枚に数十秒）という課題がありました。これを劇的に高速化したのがFast R-CNNです。
最大の特徴は、CNNによる特徴抽出を「画像全体に対して1回だけ」行う点です。
- 主な特徴：
- RoI Pooling（Region of Interest Pooling）：CNNで抽出した特徴マップから、候補領域（RoI）に該当する部分だけを切り出して固定長に変換する技術。
- マルチタスク損失：分類（クラス予測）と回帰（位置ズレの修正）を1つのネットワークで同時に学習。
- R-CNNに比べて学習・推論ともに大幅に高速化したが、領域提案（どこに物体がありそうか）の処理はまだ外部のアルゴリズム（Selective Search）に依存していた。
2. Faster R-CNN：完全なエンドツーエンド学習へ（2段階型）
Fast R-CNNでボトルネックとなっていた「領域提案」のプロセスまでもニューラルネットワーク（CNN）の中に組み込んだモデルです。これにより、入力から出力までを一貫して学習できる「End-to-End（エンドツーエンド）」を実現しました。
- 主な特徴：
- RPN（Region Proposal Network）：物体がありそうな領域（候補）を自動で提案する専用のネットワークを導入。
- アンカーボックス（Anchor Box）：様々なサイズやアスペクト比（縦横比）の枠をあらかじめ用意しておき、効率的に探索する仕組み。
- 2段階型（Two-stage）検出器の完成形として、現在でも高精度モデルのベースラインとなっている。
3. SSD（Single Shot MultiBox Detector）：精度と速度の両立（1段階型）
Faster R-CNNは高精度ですが、リアルタイム処理にはまだ速度が足りませんでした。そこで登場したのが、領域提案と分類を同時に行う「1段階型（One-stage）」のモデルです。
SSDは、処理速度を保ちつつ、YOLO（後述）の弱点だった精度の低さを克服しました。
- 主な特徴：
- マルチスケール特徴マップ：CNNの異なる深さ（解像度）の層から特徴を取り出し、大きな物体も小さな物体も検出できるようにした。
- デフォルトボックス（Default Box）：Faster R-CNNのアンカーボックスと同様の仕組みを採用し、様々な形状の物体に対応。
- 「Single Shot」の名の通り、1回の処理ですべてを完了させるため高速。
4. YOLO（You Only Look Once）：圧倒的なリアルタイム性（1段階型）
「画像を見るのは1回だけ（You Only Look Once）」という名の通り、人間がパッと見て瞬時に状況を把握するように、圧倒的な速度を実現したモデルです。
物体検出を「分類問題」ではなく、座標を予測する「回帰問題」として再定義した点が革新的でした。
- 主な特徴：
- グリッド分割：画像をグリッド（格子）状に分割し、各グリッドごとに「バウンディングボックス」と「クラス確率」を直接予測する。
- 背景の誤検出（False Positive）が少ない。
- 初期のYOLO（v1）は、グリッド内に複数の物体がある場合や、小さな物体の検出が苦手だった（後にYOLO v2, v3…と進化し改善）。
5. FPN（Feature Pyramid Network）：小さな物体を見逃さない（拡張構造）
これは独立した検出モデルではなく、上記のモデル（Faster R-CNNやSSDなど）に組み込んで性能を底上げする「ネットワーク構造」です。
ディープラーニングは層が深くなるほど「意味」は理解しますが、「位置情報」が曖昧になり、小さな物体が見えなくなる問題がありました。
- 主な特徴：
- 特徴ピラミッド：深い層（強い意味情報）と浅い層（正確な位置情報）を結合して利用する構造。
- 大小さまざまなサイズの物体を、高い精度で検出可能にする。
- 現在では、RetinaNetやYOLOの新しいバージョンなど、多くのモデルのバックボーンとして採用されている。
G検定向けポイントまとめ
物体検出モデルは「2段階型（精度寄り）」か「1段階型（速度寄り）」かの区別が最重要です。
| モデル名 | タイプ | キーワード（試験対策） | 特徴を一言で |
|---|---|---|---|
| Fast R-CNN | 2段階型 | RoI Pooling, マルチタスク損失 | R-CNNの高速化（CNNは1回） |
| Faster R-CNN | 2段階型 | RPN, アンカーボックス | 領域提案もCNN化（End-to-End） |
| SSD | 1段階型 | マルチスケール特徴マップ | 多層の特徴を使い精度と速度を両立 |
| YOLO | 1段階型 | グリッド分割, 回帰問題 | グリッドごとの予測で爆速処理 |
| FPN | 拡張構造 | 特徴ピラミッド | 小物体検出に強い構造 |
