AIトピックス：AIを活用した画像認識技術3選

こんにちは。スキルアップAIの泉です。
スキルアップAIでは、AIに関するトピックスをピックアップし、週間で紹介しております。

最近、AIを活用した画像処理技術の発展が進んでいます！
様々な分野で活用が進んでいますが、具体的にどのような技術があり、どのような場面で活用されているのかを簡単にご紹介します。ぜひご覧ください！

◇1.画像分類

画像分類では、対象とする画像がどのカテゴリに属するかを判定します。
例えば、花が写っている画像を「花」、犬が写っている画像を「犬」として判定します。

• よく用いられるネットワーク
  • 畳み込みニューラルネットワーク(CNN: Convolutional Neural Network)など
• 学習に用いられるデータセット
  • 1枚の画像につき1つのクラス(画像のカテゴリ)が付与されたデータセットを使用します。
• 活用事例
  • 検品工程における不良品などの分類
  • 医療画像診断(早期胃がんの発見など)

◇2.物体検出

物体検出では、画像内の目的物のクラス(種類)と位置をバウンディングボックスとして推定します。
例えば、「犬」を検出対象として検出する場合、モデルはクラスの種類(「犬」)と位置(バウンディングボックスで囲んだ状態)を推定します。

• よく用いられるネットワーク
  • R-CNN(Regions with CNN Features)や、Fast R-CNN、 Faster R-CNN
  • 上記手法から、処理高速化と精度向上が行われたYOLO(You Only Look Once)
• 学習に用いられるデータセット
  • 1枚の画像に対象の物体のクラス(種類)と位置をバウンディングボックスとしてラベル付したデータセットを利用します。
  • 1枚の画像内に同じ種類の物体がラベル付けされている場合や、異なった種類の物体がラベル付けされている場合もあります。
• 活用事例
  • 建造物の劣化（ひび割れや剥落）の自動検出
  • 自動運転や運転支援を目的とした、動画や画像内の車・信号機などの自動検出

◇3.セマンティック・セグメンテーション

セマンティック・セグメンテーション(Semantic Segmentation)は、認識対象としている物体が画像内のどこに存在しているのかを推定します。 具体的には、各画像に含まれた1つ1つの画素がどのクラス(物体の種類)に含まれるのかを判定します。 このように、セマンティック・セグメンテーションでは画像内の物体の種類ごとの領域分割を行なっています。 例えば、「車」、「人」、「自動車」を認識対象としていて、1枚の画像内にその3種類の物体が含まれるとき、画像内の領域は「背景」、「車」、「人」、「自動車」の4つのクラスに分割されることになります。

ただし、複数の「車」が重なってしまっている場合、その複数の「車」を異なったものとして判別することはできません。 その場合、インスタンスセグメンテーションという手法で、対象認識が重なってしまっている場合でもそれらを区別することができます。 しかし、こちらでは不定形の領域(空や、芝生、道路など)の検出はできません。

• よく用いられるネットワーク　※多くの手法が提案されているため、一部をご紹介します。
  • 全層畳み込みネットワーク(FCN: Fully Convolutional Networks)
  • エンコーダ・デコーダ構造のモデル(SegNet、U-Netなど)
  • Region-Convolutional Neural Network(R-CNN)
• 学習に用いられるデータセット

画素単位のクラス付けが必要で、画像上で対象領域を塗る作業が必要になります。
従って、手作業で大量のデータセットを作成するのは負担が大きい可能性があります。

• 活用事例
  • 自動運転などを目的として、道路、歩行者、自動車、建物などをピクセルレベルで認識
  • 医療画像(CT画像・MRI画像・内視鏡画像など)から正常・異常組織、認識したい臓器、手術器具などを認識

参考文献

小田昌宏, 外科支援におけるAI・深層学習, 日本コンピュータ外科学会, J JASCAS, 21,3 p143-146

おわりに

いかがだったでしょうか？
スキルアップAIでは、「現場で使えるディープラーニング基礎講座」を開講中です。ディープラーニングの基礎・原理を理解し、ディープラーニングを支える最先端の技術をプログラミングレベルでマスターすることをゴールとした講座です。 無料トライアル版のご用意もありますので、是非ご検討ください。

今後も、AI関連トピックスの記事を共有していきたいと思います。ご期待ください！
過去のAIトピックスはこちら