物体検出

物体検出（object detection） は、画像中に写っている物体について「どこに」「何が」写っているかを推定するタスク。各物体を囲む矩形領域（バウンディングボックス）の位置と、その物体のクラスラベルの両方を出力する。

画像分類は「画像→記述」の写像だが、物体検出は1枚の画像から可変個の物体を検出する必要があるため、単純な分類問題より難しい。この可変長出力をどう扱うかという観点が、後続の各アルゴリズム（R-CNN系、YOLO/SSD系、FCOS、DETR系）の設計思想の違いにつながる。

目次

• 評価指標
• 二段階検出器（Two-stage Detector）
• 一段階検出器（One-stage Detector）
• Anchor-free検出器
• Detection Transformer（DETR）
• Deformable DETR
• RT-DETR

タスクの定義¶

物体検出モデルは、画像 $I$ を入力として、物体の集合

を出力する。ここで

• $b_i = (x_{\min}, y_{\min}, x_{\max}, y_{\max})$：$i$番目のバウンディングボックスの座標

• $c_i$：クラスラベル

• $s_i$：信頼度スコア（confidence score）

• $N$：検出された物体数（画像ごとに可変）

というように、「可変個の (位置, クラス, スコア) の組」を予測する点が、固定長のベクトルを出力する分類・回帰と大きく異なる。

学習時の正解データ（ground truth）も同様に、画像ごとに $\{(b_i^{gt}, c_i^{gt})\}$ という可変個のボックス集合として与えられる。予測と正解をどう対応づけるか（マッチング）、対応づけられなかった予測やボックスをどう扱うかが、モデル設計上の主要な論点になる。

検出パラダイムの概観¶

評価指標が共通していても、「どのように候補領域を生成し、どのように分類・回帰するか」という設計は手法によって大きく異なる。本ノートブック以下では、次の系統に分けて整理する。