画像認識とは、画像に写っている物が何かを認識する技術のことです。たとえば、写真を見て「ネコ」「人」「車」などを区別することは、人間なら子どもでも簡単にできます。しかし、コンピュータにとって画像は「ピクセルの集合体」でしかないため、写っている物を認識するには、高度な技術が必要なのです。

　2012年ごろから、AI技術のひとつである「ディープラーニング」が取り入れられたことで、画像認識の技術は急速に発展しました。「AIがネコの画像を認識できるようになった！」と話題になったことを、ご記憶の方も多いかもしれません。

　当時は、たとえば「ネコだけが写った画像」をネコだと見分けられるかどうかが、問題とされていました。現在では、より複雑な「不特定多数の物が写った画像」をどれだけ早く正確に処理できるかが追求されています。

　画像内にある不特定多数の物を見分ける際に重要なのが、「物体検出（object detection）」の技術です。コンピュータはどのようにして、ピクセルの集合体から対象物を見分けるのでしょうか。

　イメージをつかんでいただくために、物体検出のひとつの手法であるR-CNN（Region based Convolutional Neural Networks）の処理手順をご紹介します。R-CNNは、以下の2つの手順で進められます。

　R-CNNでは、まずは物体があると推測される領域を特定します。この際にコンピュータが生成する長方形の領域は、「バウンディングボックス（bounding box）」と呼ばれます。

デジタルカメラで撮影する際に、人の顔の部分が四角で囲われているのを見たことがある方は多いでしょう。バウンディングボックスは、そういったイメージです。

　バウンディングボックスを生成する際には、類似するピクセルをグループ分けして、物体らしき領域を探し出す「selective serch」が使われます。以下の図を見ると「selective serch」の流れが理解しやすいでしょう。

引用：https://ivi.fnwi.uva.nl/isis/publications/2013/UijlingsIJCV2013/UijlingsIJCV2013.pdf

　こうして検出された「物体があると推測される領域」を「ROI（Region Of Interest）」、またROIを提案する仕組みを「region proposal」と呼びます。そして、ROIを囲う適切な大きさの長方形を作ることで、バウンディングボックスが完成するのです。