物体識別

物体識別が指すもの

物体識別は、画像を1枚まるごと入力として受け取り、その画像が何を写しているかをカテゴリーの名前で答えるタスクです。この用語集では、柳井啓司による解説論文物体認識技術の進歩(日本ロボット学会誌、2010年)に挙げられた一般物体認識のタスクのうち、画像全体のカテゴリー分類にあたる語として扱います。なお、この論文自体は物体識別という語を使っていません。ここでは、画像全体に対して1つまたは複数のカテゴリーラベルを付与するタスク、という意味で説明します。

土台となる一般物体認識という課題

物体識別は、一般物体認識という大きな研究課題の中に位置づけられます。柳井は一般物体認識を、制約のない実世界シーンの画像に対して、計算機がその中に含まれる物体もしくはシーンを、山、ライオン、ラーメンのような一般的な名称で認識することだと定義しています。別の箇所では、机やライオンのような一般的な物体カテゴリーの認識を行うもの、とも述べています。

ここで押さえておきたい点は2つあります。1つ目は、認識の対象が特定の個体ではなく、一般的な名称で呼ばれるカテゴリーだという点です。2つ目は、撮影条件などに制約のない実世界の画像を相手にするという点です。柳井は、この一般物体認識を画像認識の研究において最も困難な課題の一つとしています。

5つのタスクの中での位置

柳井は、当時研究されていた一般物体認識の主なタスクとして、次の5種類を示しています。

1. 画像全体のカテゴリー分類
2. 画像アノテーション(複数のカテゴリーラベルを画像に付与する)
3. 画像ラベリング(領域分割された画像の各領域にカテゴリーラベルを付与する)
4. カテゴリー物体検出(長方形の矩形で画像中の物体の存在位置を検出する)
5. カテゴリー領域抽出(物体の領域を正確に切り出す)

物体識別は、このうち1番目の画像全体のカテゴリー分類にあたります。柳井はこれを最も標準的なタスクと位置づけています。

ほかのタスクとの違いは答えの単位

5つのタスクは、どれもカテゴリーの名前で答える点では共通しています。違いは、その答えを画像のどの単位に結びつけるかにあります。

物体識別と画像アノテーションは、答えを画像全体に結びつけます。画像ラベリングは、領域分割された各領域に結びつけます。カテゴリー物体検出は、物体の存在位置を長方形の矩形で示します。カテゴリー領域抽出は、物体の領域を正確に切り出します。

つまり物体識別は、画像の中のどこに物体があるかは答えず、画像全体として何のカテゴリーかだけを答えるタスクです。位置や領域まで求める検出や領域抽出とは、ここで区別できます。

学習するときの押さえどころ

物体識別を覚えるときは、一般物体認識の定義と、5つのタスクの並びをセットで整理すると混同しにくくなります。特に、画像全体にラベルを付けるのか、領域や位置まで答えるのかという観点で見比べると、それぞれのタスクの役割がはっきりします。