コンピューター・ビジョン

コンピューター・ビジョンとは、人工知能（AI）の下位分野であり、視覚的な世界を解釈および理解できるようにコンピューターをトレーニングする取り組みです。この機能を組み込んだマシンは、カメラやビデオ機器のデジタル画像／映像とディープ・ラーニング・モデルを用いて、物体を正確に特定および分類することや、自身が “見ている” 物事に反応することができます。

• 歴史
• 最新動向
• 業種別用途
• 仕組み
• 次のステップ

コンピューター・ビジョンの歴史

コンピューター・ビジョンの初期の実験は1950年代に行われ、物体の輪郭を検出する目的や、単純な物体を円や四角形のようなカテゴリーに分類する目的で、いくつかの初期的なニューラル・ネットワークを利用しました。1970年代には、コンピューター・ビジョンの最初の商業利用が行われ、光学式文字認識を用いてタイプライターや手書きのテキストを解釈しました。この進歩は、書かれたテキストを盲人向けに解釈するために利用されました。

1990年代、インターネットの成熟に伴い、分析向けの大規模な画像セットがオンラインで入手可能となり、顔認識プログラムの研究が盛んになりました。これらのデータセットの成長は、マシンが写真や動画から特定の人物を識別できるようにする取り組みに役立ちました。

今日では、次のような数多くの要因が収斂した結果、コンピューター・ビジョンの “ルネサンス” が生じています。

これらの進歩がコンピューター・ビジョン分野にもたらした影響は驚異的でした。物体識別や物体分類の精度は10年足らずで50%から99%へと向上しました。そして、今日のシステムは、ビジュアル入力を対象とした高速な検出タスクや反応タスクに関しては、人間よりも正確です。

コンピューター・ビジョンの仕組み

コンピューター・ビジョンは3つの基本的なステップで機能します。

今日のAIシステムは、もう一歩先に進んでおり、画像の理解に基づいて様々なアクションを実行することも可能です。コンピューター・ビジョンには、異なる方法で利用される多様なタイプがあります。

• 画像セグメンテーションは、画像を「個別に精査するための複数の区域または部分」に分割します。
  
• 物体検出は、画像内にある特定の物体を識別します。高度な物体検出は、1枚の画像内にある多数の物体を認識します（例：サッカーのピッチ、攻撃的選手、守備的選手、ボール、その他）。これらのモデルは、X/Y座標を用いて境界ボックスを作成し、ボックス内部にある全てのものを識別します。
  
• 顔認識は高度なタイプの物体検出であり、画像内で人間の顔を認識するだけでなく、特定の個人の識別も行います。
  
• エッジ検出は、画像内に何があるかをより的確に識別する目的で、物体や風景の輪郭を識別するために利用される技法です。
  
• パターン検出は、画像内に繰り返し現れる形状、色、その他の視覚的目印を認識するプロセスです。
  
• 画像分類は、画像を異なるカテゴリーにグループ化します。
  
• 特徴マッチングはパターン検出の一種であり、画像の分類に役立てるために画像内の類似性を照合します。
  

コンピューター・ビジョンのシンプルな応用用途では、これらの技法を1つだけ利用する場合もありますが、より高度な用途（自動運転車向けのコンピューター・ビジョンなど）では、複数の技法を活用して目標を達成します。