Skip to the content.

最終更新日:2026年9月26日

まず結論

FPN・SSD・YOLOは、同じ種類のものではありません。

  • FPN:異なる解像度の特徴を統合する特徴ピラミッド構造
  • SSD:Default Boxと複数特徴マップを使う1段階検出
  • YOLO:画像から位置・クラスを直接予測する1段階検出系

G検定では、

特徴を作る構造か、検出器か

を最初に分けます。

直感的な説明

FPN

小さい物体と大きい物体を扱うため、粗い特徴と細かい特徴を組み合わせる仕組みです。

SSD

異なる解像度の特徴マップ上で、複数のDefault Boxを使って直接検出します。

YOLO

画像全体から、物体の位置とクラスを1つの検出パイプラインで直接予測します。

定義・仕組み

FPN

Feature Pyramid Networkは、

  • top-down path
  • lateral connection

を使って、複数スケールで意味的に強い特徴マップを作ります。

FPNは単体で完成した物体検出器というより、検出器へ組み込める特徴抽出構造です。

SSD

SSDは、

  • 1段階検出
  • Default Box
  • 複数解像度の特徴マップ

が判断キーワードです。

YOLO

YOLOも代表的な1段階検出系です。

YOLOには多数の世代があるため、特定世代のアンカーやグリッド設計を全YOLO共通の絶対条件として覚えないようにします。

いつ使う?(得意・不得意)

  • FPN → マルチスケール特徴が必要な検出器へ組み込む
  • SSD → 1段階で複数スケールを直接検出
  • YOLO → リアルタイム性を重視する1段階検出系

FPNはFaster R-CNNなどの2段階検出器とも組み合わせられます。

したがって、

FPN=1段階

ではありません。

G検定ひっかけポイント

FPN=物体検出アルゴリズム?

❌ 単体でクラスとバウンディングボックスを出す検出器
⭕ 複数スケール特徴を作る構造

SSD / YOLO

⭕ 代表的な1段階物体検出

FPNはSSD・YOLOと排他的?

❌ どれか1つしか使えない
⭕ FPNのようなマルチスケール構造を検出器へ組み込むこともできる

まとめ(試験直前用)

  • FPN=特徴ピラミッド構造
  • SSD=1段階+Default Box
  • YOLO=1段階物体検出系
  • FPNは検出器そのものとは限らない
  • 速度・精度の固定順位で判断しない
  • 構造か検出器かを先に見る

参考資料(原論文)

© 2024-2026 stemtazoo. All rights reserved.