コンピュータビジョン とは？

画像分類なら「りんごが写っている」と種類を推定し、物体検出なら「りんごがどこにあるか」も囲み枠などで示すよ。領域分割は画素ごとに種類を判定して、りんごの部分と背景を区別する。知りたい情報に合う処理を選ぶんだ。

必ずその順に進むわけではないよ。それぞれ出力したい情報が違うタスクなんだ。動画にも、映っている動作などを分類する処理や、画面内の動きを推定する処理がある。目的に合わせてモデルや組み合わせを選ぶよ。

CNNは画像処理で使われるモデルの一つだよ。ほかにVision Transformerを使うものもある。モデルの名前だけで選ばず、対応するタスクや学習した対象、評価結果を確認しよう。分類用のモデルが、そのまま物体の位置も出せるとは限らないんだ。

モデルに合う大きさへの変更や、画素値の調整などが必要になることがあるよ。TorchVisionでも、前処理はモデルや学習済み重みの版によって違うと説明されている。指定と違う入力処理をすると、精度が下がったり、誤った出力になったりするんだ。

評価に使った条件と、実際に使う条件を確かめよう。意図的に小さな変化を加えた画像で、誤認識を引き起こす敵対的サンプルの研究もあるよ。評価の数値だけで正しさを保証せず、誤認識した場合の確認や対応も考えて使うことが大切だね。