問題 No.1271
リアルタイム処理に特化した物体検出モデルであるYOLOは、画像を1回ネットワークに入力するだけで位置特定とクラス分類を完了させる。この圧倒的な処理速度を実現するための、ネットワーク出力層の数理的な設計アプローチとして最も適切なものはどれか。
【正解の解説】
画像全体を特定のサイズのグリッドに分割し、各グリッドセルが直接バウンディングボックスの座標とクラス確率のベクトルを出力する。
画像をグリッドに分割し、それぞれの場所で「何が」「どこにあるか」を一度に出力することで、圧倒的な速度を実現しています。
スポンサーリンク
【その他の選択肢の解説】
画像から数千個の物体候補領域をあらかじめ物理的に切り出し、それらを並列に配置された個別のネットワークに同時に入力する。
これはFaster R-CNNのように候補領域を先に抽出する手法の説明であり、YOLOの「1回で処理する」アプローチとは異なります。
エンコーダで抽出した特徴量を、デコーダ側で元の解像度へと引き延ばしながら、全画素に対して個別にクラスの確率分布を計算する。
これはセマンティックセグメンテーションなどで用いられる手法の記述であり、YOLOのバウンディングボックスを出力する仕組みとは異なります。
入力画像に対して段階的にノイズを付加する順プロセスと、それを除去する逆プロセスを交互に繰り返して物体の輪郭を抽出する。
これは拡散モデル(Diffusion Model)の説明であり、物体検出の高速な推論手法とは異なります。