4.1 コンピュータビジョン入門
CV とは何か?
コンピュータビジョン (CV) は人工知能の一分野であり、コンピュータが画像や動画など、現実世界の視覚情報を解釈・理解できるようにします。ディープラーニングやパターン認識などの技術を用いることで、コンピュータビジョンシステムは物体の識別、顔の検出、動きの追跡、シーンの分析を高い精度で実行できます。自動運転、医療画像、セキュリティ監視、産業検査、拡張現実など幅広い応用に利用されており、機械が「見たもの」に基づいて意思決定できるよう支援します。
学習目標
このセクションを終える頃には、次のことができるようになるはずです:
- コンピュータビジョンとは何かを説明する
- この分野が解決しようとしている主な問題を述べる
- 主要な応用分野を特定する
- 画像理解と動画理解の違いを理解する
- 本コースの残りの構成を把握する
コンピュータビジョンが難しい理由
人間は世界での身体的な経験を長年積み重ねているため、多くの視覚タスクを楽にこなせます。コンピュータにはそれがありません。現実世界の視覚が難しいのは次の理由からです:
- 照明が変化する
- 物体は視点が変わると見え方が異なる
- シーンが雑然としている
- 小さすぎる、ぼやけている、または遮蔽されている物体がある
- カメラがノイズや歪みをもたらす
- 動画は時間という別の次元を加える
これがコンピュータビジョンが単純な画像処理からディープラーニングやマルチモーダルシステムへと進化してきた理由です。
コンピュータビジョンの主要なタスク
この分野はいくつかの主要なタスクに分けられます:
| タスク | 中心的な問い | 例 |
|---|---|---|
| 分類 | 画像に何が写っているか | 猫と犬、欠陥品と正常品 |
| 検出 | どんな物体がどこに存在するか | 人、ヘルメット、車両 |
| セグメンテーション | どのピクセルがどの領域や物体に属するか | 道路領域、背景、製品の輪郭 |
| 姿勢推定 | キーポイントや身体構造はどうなっているか | 人体の関節、手のランドマーク |
| トラッキング | 検出された物体のうち時間を経て同じものはどれか | 動画全体を通して人物 17 番を追跡 |
| OCR | シーンにどんな文字が現れているか | ナンバープレート、ラベル、レシート |
| イベント理解 | シーンで何が起きたか | 線越え、侵入、転倒 |
画像と動画
画像は単一の瞬間を捉えます。動画は時間に沿って変化するフレームの連続です。
この区別が重要なのは、1 枚の画像から解けるタスクもあれば、時間的な推論が必要なタスクもあるからです:
- 画像分類は 1 フレームだけで動作する
- 物体追跡にはフレーム間の連続性が必要
- イベント解析は動きと時間に依存する
標準的なビジョンパイプライン
実装はさまざまですが、多くのコンピュータビジョンシステムは共通のロジックに従います:
- データを取得する
- データを前処理する
- アルゴリズムまたはモデルを実行する
- 後処理と判定ロジックを適用する
- 結果を出力するか、アクションをトリガーする
よくある誤解
- 「コンピュータビジョンとは物体検出のことだ。」
- 検出は重要ですが、この分野はそれよりはるかに広範です。
- 「モデルが 1 枚の画像で動けば、デプロイの準備ができている。」
- 実際のデプロイには、安定した入力、レイテンシ制御、障害処理が必要です。
- 「動画は多数の画像に過ぎないので、それほど難しくない。」
- 動画は時間、連続性、システムの制約をもたらします。
演習 / 振り返り
- 日常生活で使っている製品やシステムを 3 つ選び、コンピュータビジョンが関わっていそうな箇所を特定してください。
- 次の各項目について、主に分類、検出、セグメンテーション、トラッキング、イベント理解のどのタスクに該当するか判断してください:
- スマートフォンの顔認証によるロック解除
- 駐車場での車両カウント
- レシートの読み取り
- 作業員がヘルメットを着用しているかの検出
- なぜ動画理解は通常、画像理解より難しいのかを短い段落で説明してください。
まとめ
コンピュータビジョンとは、生の視覚データを有用な理解へと変換することに関するものです。分類や検出から OCR、イベント推論まで、多くのタスクを含みます。
推奨される次のステップ
4.2 コンピュータが画像をどのように表現するか へ進んでください。