Skip to the content.

最終更新日:2026年9月26日

まず結論

R-CNN系の発展は、どこまで計算を共有・ネットワーク化したかで整理すると分かりやすくなります。

  • R-CNN:候補領域ごとにCNN
  • Fast R-CNN:画像全体のCNN特徴を共有
  • Faster R-CNN:候補領域生成もRPNでネットワーク化

直感的な説明

R-CNN

候補領域を1枚ずつ切り出して、それぞれCNNへ入れるイメージです。

同じ画像について何度もCNNを計算するため、処理が重くなります。

Fast R-CNN

画像全体を一度CNNへ通して特徴マップを作り、候補領域ごとに必要な部分だけを取り出します。

これにより、特徴抽出の重複計算を減らすことができます。

定義・仕組み

R-CNN

  • Selective Searchなどで候補領域を生成
  • 各候補領域をCNNへ入力
  • 特徴抽出後に分類・位置補正

Fast R-CNN

  • 画像全体から特徴マップを作る
  • 外部手法で得た候補領域を特徴マップへ対応付ける
  • RoI Poolingで固定サイズの特徴へ変換
  • 分類・位置補正

重要なのは、Fast R-CNNでも候補領域生成自体は外部手法に依存することです。

Faster R-CNNへ

Faster R-CNNでは、候補領域生成をRPNでネットワーク内部へ取り込みます。

いつ使う?(得意・不得意)

R-CNN、Fast R-CNNは現在の実用モデルを選ぶためというより、物体検出の発展史と処理構造を理解する教材として重要です。

G検定では、モデル名と改善点の対応を見ます。

G検定ひっかけポイント

R-CNN

❌ 画像全体のCNN特徴を1回だけ共有
⭕ 候補領域ごとにCNN

Fast R-CNN

❌ RPNで候補領域を作る
⭕ 特徴マップは共有するが候補領域は外部生成

Faster R-CNN

⭕ RPNで候補領域生成まで統合

まとめ(試験直前用)

  • R-CNN=候補領域ごとにCNN
  • Fast R-CNN=特徴マップを共有
  • Fast R-CNNでも候補領域は外部
  • Faster R-CNN=RPN
  • 発展の軸は「何を共有・統合したか」

参考資料(原論文)

© 2024-2026 stemtazoo. All rights reserved.