Skip to the content.

最終更新日:2026年10月19日

まず結論

  • 分類:画像が何かを当てる
  • 検出:何がどこにあるかを当てる
  • セグメンテーション:どこまでが対象かを塗り分ける

ここでは分類から検出・領域分割までの全体マップと代表モデルへの入口を扱います。同じ画像を3方式で処理した出力例は、検出枠・クラス別画素・個体別画素の比較で確認できます。

選択肢では、何を出力するタスクかから確認します。


直感的な違い

画像分類(Classification)

この画像は「何」?

  • 出力:クラスラベル
  • 例:犬/猫

物体検出(Object Detection)

何が「どこ」にある?

  • 出力:

    • クラス
    • バウンディングボックス

セグメンテーション(Segmentation)

どこまでが対象?

  • 出力:ピクセル単位のラベル

タスク別 出力の違い

タスク 出力 位置情報
分類 クラス なし
検出 クラス + BBox あり
セグメンテーション 画素単位のラベル 画素の位置に対応

画像認識タスクの見取り図

出力の種類から、次のように整理できます。枝分かれはタスクの違いを表し、モデルの優劣を表すものではありません。

  • 画像分類:画像全体のクラスを答える
  • 物体検出:物体のクラスと位置を答える
    • 矩形で位置を示す代表例:Faster R-CNN、YOLO、SSD
    • 楕円で位置を表す拡張例:Ellipse R-CNN
  • セグメンテーション:画素単位で領域を答える
    • セマンティック:同じクラスの領域をまとめる
    • インスタンス:同じクラスでも物体ごとの領域を分ける。代表例はMask R-CNN

見るポイントは、画像全体・物体の位置・画素の領域のどれを出力するかです。

セグメンテーションの種類

セマンティックセグメンテーション

  • 同じクラスは同じ色
  • 個体の区別はしない

インスタンスセグメンテーション

  • 同じクラスでも個体ごとに区別
  • 検出+セグメンテーション

代表モデル

タスク モデル例
分類 AlexNet, VGG, ResNet, EfficientNet
検出 Faster R-CNN, YOLO, SSD
セマンティックセグメンテーション FCN, U-Net, SegNet
インスタンスセグメンテーション Mask R-CNN

いつ使う?(得意・不得意)

必要な出力 選ぶタスクの目安 注意点
画像に何が写っているか 分類 通常、個々の物体の位置や境界は出さない
物体がどこにあるか 検出 矩形だけでは画素単位の形状は分からない
道路・空などの領域 セマンティックセグメンテーション 同じクラスの個体同士は分けない
同じクラスの物体を個別の領域で扱う インスタンスセグメンテーション 個体ごとの領域を推定する必要がある

速度や計算量はモデルや画像サイズにも依存します。タスク名だけで性能の順位を決めず、必要な出力から選びます。

G検定ひっかけポイント

  • ❌「分類は位置も出す」→ 誤り
  • ❌「検出はピクセル単位」→ 誤り
  • ❌「セグメンテーション=検出」→ 誤り
  • ❌「セマンティックで人A・人Bの領域を分ける」→ 個体別の領域はインスタンスセグメンテーション
  • Mask R-CNNは物体検出に加えて、個体ごとのマスクを予測する

超短縮 暗記フレーズ

  • 分類:何?
  • 検出:何がどこ?
  • セグメンテーション:どこまで?

まとめ(試験直前用)

  • 出力の違いで即切る
  • ピクセル単位 → セグメンテーション
  • 矩形による位置か、画素単位の領域かを確認する

画像タスクで使う局所特徴抽出の計算は、畳み込みと特徴マップで確認できます。

分類・検出・セグメンテーションを比較した後は、セグメンテーションの種類を確認できます。

© 2024-2026 stemtazoo. All rights reserved.