バウンディングボックスとは？AIによる物体検出の手法とできること

最終更新日:2024/02/08

バウンディングボックスは、画像認識やグラフィクスでよく使用される一般的な概念で、AIによる物体検出の手法を理解する上でも重要です。

この記事では、バウンディングボックスの基本知識から物体検出の代表的な手法の種類、物体検出の活用事例などについて紹介します。日常生活やビジネスシーンにおいて今後さらなる進歩と活躍が期待されるAI物体検出技術について、理解を深める上でぜひ参考にしてください。

物体検出について詳しく知りたい方は以下の記事もご覧ください。
ディープラーニングを用いた画像の物体検出とは？モデルや応用例を紹介

アノテーションのサービス比較と企業一覧

バウンディングボックス(Bounding Box)とは

バウンディングボックス（Bounding Box）とは、画像や映像の中の物体を囲んだ部分領域のことです。物体検出では、バウンディングボックスを使って、画像内の物体の位置推定とクラスの分類を実行します。

また、グラフィックス業界で頻繁に登場する共通概念としても知られており、ゲーム映像など3Dグラフィクスでもオブジェクトごとにバウンディングボックスが割り当てられるのが一般的です。

バウンディングボックスの主な表現方法は、コーナー2点による表現と、中心点と幅・高さを使う表現の2種類があります。

物体検出とAI

物体検出とは、画像から物体の種類や位置、個数などの情報を特定する技術のことです。人間が画像を見て、写っている物体の情報を即座に判断できるのと同様に、物体検出技術ではコンピューターが画像内の物体に関する情報を認識します。

コンピューターでは画像をピクセルの集まりとして認識し分析していきますが、畳み込みやプーリングなど特殊手法を用いることで、物体の特徴を捉えることが可能です。

近年のAI技術の発展により、画像や映像の物体検出にもAIが使用されており、すでに日常生活にも登場しています。これからの時代を担う重要な技術として、さらなる進歩と向上が期待できるでしょう。

物体検出に欠かせないアノテーション

物体検出において高い精度を実現するためには、正確なアノテーション（Annotation）が必要です。アノテーションとは、テキストや音声、動画といった異なるデータに、ラベルやタグを付ける作業を意味します。特定の情報に対して情報タグを付け、AIが物体の認識・識別をできる仕組みです。

アノテーションによってラベル付けされた情報は、AIの機械学習アルゴリズムに取り込まれて初めてパターン認識が実現します。

そのため、ラベル付けが正確でないデータがあると、AIが正しく学習できずデータ処理が進みません。アノテーションの精度は物体検出において非常に重要といえます。

物体検出の代表的な手法

物体検出の代表的な5つの手法について解説します。複数の手法を組み合わせて使うことも可能なので、それぞれの特徴について押さえておきましょう。

R-CNN

R-CNN（Region-Convolutional Neural Networks）とは、従来の物体検出モデルをCNN（画像認識モデル）に置き換えたものです。CNNは「畳み込みニューラルネットワーク」と呼ばれ、「畳み込み層」や「プーリング層」といった個性的な機能を備えた層を積み上げることで構成されています。

R-CNNでは画像データを入力すると、データの中から物体のある領域の候補を抽出した後、CNNによって各候補の特徴量を計算してから、各領域内の物体を分類するという手順です。検出できる物体数は約2,000個とも言われ、ディープラーニングを使わない画像検出手法と比べて高精度な結果を実現しています。

Fast R-CNN

Fast R-CNNとは、名前の通りR-CNNを高速化したものです。Fast R-CNNでは、RPN（Resion Proposal Network）と呼ばれるCNN構造によって抽出した領域だけを切り出し、全結合層に与えて画像認識を実行します。従来の画像認識手法に比べて高速処理が可能です。

具体的には、従来のRPNが1,000回だったところ、Fast R-CNNでは1回で済み、単純に1,000分の1もスピードアップしています。また、物体のクラス分類とバウンディングボックスの回帰という2つのタスクの誤差を、同時に考慮して最小化できるMulti-task lossも搭載している点も特徴です。

Faster R-CNN

Faster R-CNNは、Fast R-CNNを改良し、検出速度を早めたモデルです。R-CNNで課題とされていた学習時間の短縮やメモリ消費量の縮小を実現するために開発されました。画像の入力から物体検知までを一気に学習し推定できます。

Faster R-CNNでは、まずバウンディングボックスの中身が物体か背景（何も写っていない）かを学習し、続いて具体的に何が写っているのかを学習していく流れです。最初の段階でRPNを用いることで、演算時間を大幅に短縮できます。

YOLO

YOLOとは「You Only Look Once」の略であり、日本語で「見るのは一度きり」という意味のフレーズです。「画像を一目見て、瞬時に理解できる」というコンセプトのもとで提案されました。

YOLOでは、物体を検知したい画像の入力後、正方形にリサイズし、さらに細かく正方形で分割します。縦長や横長の画像でも正方形にリサイズされるため、ニューラルネットワークによる分析の効率化が進みました。

Faster R-CNNなどYOLO以前の物体検知の手法では、RPNによる検出の後、識別を行うという直列構成のため、処理速度に時間を要します。一方、YOLOは検出と識別という2つの処理を同時に行うので、データを短時間で検出可能です。

SSD

SSD（Single Shot Detector）は、YOLO同様に1つのネットワークで領域の検出やクラス分類を行う手法です。「Single Shot」という名前の通り、1回のCNN演算で物体の領域候補検出とクラス分類を行うため、物体検知の処理時間を短縮しています。

検出精度としては、Faster R-CNNと同レベルを実現しており、サイズが小さな物体の検出や比較的低解像度の画像処理も可能です。

SSDでは、さまざまなサイズの「デフォルトボックス」と呼ばれるパターンをあらかじめ作成します。1枚の画像のどこに何があるかを予測する場合、SSDが画像上に多数のデフォルトボックスを作成し、各枠で予測値を計算していく仕組みです。

物体検出で実現できる8つの技術

物体検出で実現できる技術のうち、すでに私たちの日常生活やビジネスシーンにおいて幅広く採用されているものも多く見られます。ここでは、代表的な8つの物体検出技術の活用事例を見ていきましょう。

自動運転

近年急速に進化、浸透してきた「自動運転」は、AIによる物体検出技術の代表的な活用例です。自動車に搭載されたカメラが周囲を撮影し、画像をAI物体検出に通すことで歩行者や対向車、障害物といった物体を識別します。標識や信号など状況を的確に認識し、適切な対応を瞬時に実行可能です。

国土交通省の資料によると、米国SAE（Society of Automotive Engineers）が定める自動車の自動運転レベルは、ドライバーによる監視のレベル1〜2と、システムによる監視のレベル3〜5という5段階構成です。一般的な自動運転と呼ばれる技術は自動運転レベルの3以上とされ、近年では一定区間内のシャトルバスや物流輸送などで導入されています。

日本国内では、自動車学校の教習シーンにおける自動運転の活用事例として「AI教習システム」の自動運転試乗会が実施されました。レベル5の「完全自動走行」を実現すべく、世界的に自動運転の実装への取り組みが進められている最中です。

異常検知

製造ラインにおける製品の不良や異常を調べる「異常検知」にも、物体検出が活用されています。従来の製造現場における異常検知は、検査員が不良品の基準を示す限度見本と見比ながら、異常や不良を調べる目視検査がほとんどでした。

しかし、検査員による品質のバラつきや、少子高齢化による人材不足などの課題が目立つようになり、AI物体検出技術を用いた外観検査の自動化が進められています。

AI物体検出を使った異常検知により、ベテランだけが持つ経験値や勘に頼ることなく、品質の向上や均一化を実現可能です。また、生産効率性の向上に加えて、検査工程の省力化による負担の軽減や人員コスト削減といった効果も期待できるでしょう。近年は、製造ラインにAIを搭載したカメラを設置し、高速処理できるエッジAIも登場しています。