gk 画像認識 物体検出
G検定トップ
＞ Faster R-CNN
まず結論
Faster R-CNNは「2段階モデル」で、主な目的は「検出精度の向上」です。 まず物体がありそうな場所を絞り込み、その後にクラス分類を行います。
👉 G検定では、「2段階モデル＝精度重視」と即座に結びつけられるかがポイントです。
直感的な説明
Faster R-CNNは、
- まず画像全体を見て
- 「このあたりに物体がありそうだ」という候補を集め
- その候補をじっくり調べて「これは人」「これは車」と判断する
という慎重型の検出器です。
🔍 人が風景を見渡してから、気になる物に視線を向けて正体を確認するイメージです。
定義・仕組み
Faster R-CNNは、
- 候補領域生成（RPN：Region Proposal Network） と
- クラス分類・位置補正
を2段階で行う物体検出モデルです。
ポイント
- 第1段階：RPN が「物体がありそうな領域」を提案
-
第2段階：提案された領域ごとに
- クラス分類
- バウンディングボックスの微調整 を実施
👉 SSDのように一気に判断せず、一度候補を絞るのが最大の特徴です。
いつ使う？（得意・不得意）
得意なこと
- 高い検出精度が求められるタスク
- 小さい物体や複雑な背景
- オフライン解析・研究用途
苦手なこと
- リアルタイム処理
- 処理速度が厳しく制限される環境
👉 「精度重視、速度は犠牲」という立ち位置です。
G検定ひっかけポイント
① 「Faster R-CNNは高速モデル」→ ❌
❌ よくある誤解：
Faster R-CNNは名前にFasterと付いているので高速である
⭕ 正しくは：
R-CNN系の中では高速だが、SSDやYOLOよりは遅い
👉 Faster＝従来R-CNNより速いだけです。
② 「Faster R-CNNは1段階モデル」→ ❌
- ❌ 位置とクラスを同時に出す → 1段階
- ⭕ 候補領域生成 → 分類 → 2段階
👉 RPNがある＝2段階と覚えると切れます。
③ SSD・YOLOとの対比問題
- Faster R-CNN：2段階・精度重視
- SSD / YOLO：1段階・速度重視
👉 この対応関係はG検定頻出です。
まとめ（試験直前用）
- Faster R-CNNは 2段階物体検出モデル
- 候補領域生成（RPN）→ 分類の流れ
- 主目的は 検出精度の向上
- 高速性重視なら SSD / YOLO
📝 選択肢で迷ったら：
「RPNあり＝2段階＝精度重視」
これで切れます。
🔗 関連記事
- Anchor Box / Default Box / RPN
- 物体検出モデル総まとめ（SSD / YOLO / R-CNN系）
- R-CNN / Fast R-CNN
- SSD（Single Shot MultiBox Detector）
- YOLO（You Only Look Once）
🏠 G検トップに戻る