R-CNN / Fast R-CNNは重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk 画像認識 物体検出

G検定トップ ＞ R-CNN / Fast R-CNN

まず結論

  • R-CNNは「2段階モデル」の出発点で、候補領域ごとにCNNで分類します（遅い）。
  • Fast R-CNNはR-CNNを高速化し、特徴量を共有してムダな計算を減らしました（それでも候補領域は別途必要）。

👉 G検定では、R-CNN系＝2段階（候補領域→分類）＝精度寄りとまとめて切れるのがゴールです。

直感的な説明

R-CNN（元祖）

  • まず「怪しい場所（候補領域）」を大量に集める
  • その1つ1つを切り出して、CNNに入れて判定する

🔍 例えるなら、写真の中の気になる場所を ハサミで切り抜いて、全部別々に鑑定に出す感じです。

Fast R-CNN（改善版）

  • 画像を毎回切り出すのがムダ
  • 先に画像全体から特徴を作っておいて
  • 候補領域ごとに必要な部分だけを取り出して判定する

🔍 先に「地図（特徴マップ）」を作っておき、 候補領域はその地図から必要な場所だけ参照するイメージです。

定義・仕組み

R-CNN

  • 候補領域（Region Proposal）を外部手法で生成（Selective Searchなど）

  • 候補領域ごとに

    • CNNで特徴抽出
    • 分類
    • 位置補正

👉 候補領域が多いと、CNNを何百回も回すことになりとにかく遅いのが弱点です。

Fast R-CNN

  • 画像全体をCNNに通して特徴マップを1回だけ作る
  • 候補領域ごとに RoI Pooling（領域の切り出し） を行い
  • 分類と位置補正を実施

👉 「CNNを候補領域ごとに回す」をやめたのが高速化の本質です。

いつ使う？（得意・不得意）

得意なこと（R-CNN系の共通）

  • 1段階モデルより精度が出やすい
  • 複雑な背景でも安定しやすい

苦手なこと

  • 処理が重く、リアルタイムには不向き
  • 候補領域生成に依存する（この時点がボトルネックになりやすい）

👉 速さ重視なら YOLO / SSD（1段階）。 精度寄りなら R-CNN系（2段階）。

G検定ひっかけポイント

① 「R-CNNは1段階モデル」→ ❌

❌ よくある誤解：

CNNで検出するから、1段階モデルっぽい

⭕ 正しくは：

候補領域を作ってから分類するので2段階

👉 「候補領域（Region Proposal）」が出てきたら2段階で切れます。

② 「Fast R-CNNは候補領域もネットワーク内で生成する」→ ❌

❌ よくある誤解：

Fast R-CNNは候補領域生成も含めてエンドツーエンド

⭕ 正しくは：

候補領域生成はまだ外部手法（Selective Searchなど）

👉 候補領域までネットワーク内でやるのは Faster R-CNN（RPN）です。

③ 「Fast R-CNNとFaster R-CNNの違い」

  • Fast R-CNN：

    • 特徴は共有して高速化
    • でも候補領域は外部で作る

  • Faster R-CNN：

    • 候補領域を作る部分（RPN）もネットワーク内に入れた

👉 試験ではここが一番混同しやすいです。

まとめ（試験直前用）

  • R-CNNは 候補領域→CNNで分類の元祖（遅い）
  • Fast R-CNNは 特徴マップを共有して高速化
  • ただし 候補領域は外部手法のまま
  • 候補領域までネットワーク内に入れたのが Faster R-CNN（RPN）

📝 選択肢で迷ったら：

Fast＝特徴共有、Faster＝候補領域も内製（RPN）

これで切れます。

🔗 関連記事

🏠 G検トップに戻る