問題 No.17
自動運転のカメラ映像解析において、画像の中に存在する複数の歩行者や車両の「正確な四角い位置（バウンディングボックス）」を特定し、同時に「それが何であるか」のクラス分類をリアルタイムで実行したい。物体候補の領域を提案するネットワーク（RPN）をモデル内部に統合し、位置検出とクラス分類のすべてを1つのニューラルネットワーク上で超高速かつエンドツーエンドで処理できるようにした代表的なモデルはどれか。
【正解の解説】
Faster R-CNN
Faster R-CNNとは、物体候補領域を自立的に検出するネットワーク（RPN）をメインモデル内に巧みに統合し、位置検出とクラス分類を高精度かつエンドツーエンドで処理できるようにした、初期の代表的な2ステージ型の物体検出モデルです。
スポンサーリンク
【その他の選択肢の解説】
YOLO
YOLOは、画像を1回見るだけで領域検出とクラス分類を1ステップで極めて高速に処理する「1ステージ検出器」の代表例です。本問題のように領域提案ネットワーク(RPN)を統合して段階的に処理を行う2ステージ型の代表であるFaster R-CNNとは異なる特徴を持ちます。
SSD
SSDは、YOLOと同様にグリッドを用いてワンショットで領域特定と分類を高速処理する1ステージ型の物体検出モデルです。
Mask R-CNN
Mask R-CNNは、Faster R-CNNをさらに拡張し、物体の領域（バウンディングボックス）の特定だけでなく、画素レベルで物体の輪郭を抽出する「インスタンスセグメンテーション」まで行えるようにしたモデルです。