画像認識とは?関連技術・用語一覧
画像認識は、画像に写っている物体や状況をコンピュータで識別する技術です。CNNの発展により実用化が進み、現在はマルチモーダルLLMによる柔軟な画像理解へと進化しています。
画像認識に関連する用語(20件)
画像認識関連のモデル(6件)
AlexNet
2012年のImageNet画像認識コンペティションで圧勝し、深層学習ブームの契機となった畳み込みニューラルネットワーク
YOLO
You Only Look Once
画像を1回のネットワーク推論で処理し、物体の位置と種類をリアルタイムに検出する物体検出モデル
VLM
Vision-Language Model / 視覚言語モデル / VLM(Vision Language Model)
画像と言語を同時に理解し、画像に関する質問応答や説明生成ができるマルチモーダルモデル
SAM
Segment Anything Model / Segment Anything
点やボックスの指示だけで画像内の任意の物体を切り出せる、Metaのセグメンテーション基盤モデル
RPNet
2枚の画像からカメラ間の相対姿勢(回転・並進ベクトル)をEnd-to-Endで直接推定するニューラルネットワーク
GPT-4V
GPT-4 Vision / GPT-4 with Vision
GPT-4に画像入力・理解機能を追加した、OpenAIのマルチモーダルモデルバリアント
画像認識関連のアーキテクチャ(4件)
CNN
Convolutional Neural Network / 畳み込みニューラルネットワーク
畳み込み演算により画像などグリッド状データの局所的な特徴を検出するニューラルネットワーク
ViT
Vision Transformer / ビジョントランスフォーマー
画像をパッチの系列に分割してTransformerで処理する画像認識アーキテクチャ
U-Net
ユーネット
縮小と拡大の経路をスキップ接続でつないだU字型のネットワーク。セグメンテーションと拡散モデルで標準的な構成
ResNet
Residual Network / 残差ネットワーク
スキップ接続で勾配消失を回避し、非常に深いネットワークの学習を可能にした画像認識アーキテクチャ
画像認識関連の技術(7件)
矩形領域
Bounding Box / バウンディングボックス
物体検出タスクにおいて、画像内の対象物の位置と範囲を囲んで示す矩形の座標情報
動画理解
Video Understanding / 映像理解
動画中の物体・行動・場面展開などを認識し、内容を意味的に理解するタスク
アクション認識
Action Recognition / 行動認識
動画中の人物の動作や行動をフレーム系列から認識するタスク
時空間特徴
Spatiotemporal Features
動画データから空間的なパターンと時間的な変化を同時に捉えた特徴表現
医療診断支援
Medical Diagnosis Assistance / Diagnostic AI
画像診断やカルテ情報の解析によって医師の診断を補助するAI技術
バーチャル試着
Virtual Try-on / VTO
AIが衣服やアクセサリーを利用者の画像・映像上に合成し試着体験を提供する技術
自動光学検査
AOI / Automated Optical Inspection
カメラで撮影した画像から製品の欠陥を自動で検出する外観検査の手法・装置
画像認識関連のインフラ(3件)
MediaPipe
顔検出・姿勢推定・手指トラッキング等のリアルタイム推論パイプラインをモバイル/Web/エッジ上に構築できるGoogleのオープンソースフレームワーク
ML Kit
ML Kit for Firebase
テキスト認識・バーコードスキャン・顔検出等の学習済みモデルをAndroid/iOSアプリへ組み込める、Googleのオンデバイス機械学習SDK
インテリジェントビジョンセンサー
Intelligent Vision Sensor / AIセンサー
撮像回路にAI推論用のプロセッサとメモリを一体化し、撮像からAI処理までをセンサー単体で完結できるイメージセンサー
画像認識関連の年表
GPTの歴史
OpenAIが2018年のGPT-1から一貫して開発してきたGPTシリーズの変遷。ChatGPTによる一般普及からGPT-5に至るまでの主要リリースをたどる。
Claudeの歴史
Anthropicが2023年に公開した対話型AI「Claude」の、Claude 2・Claude 3ファミリー・Computer Use・Claude Codeを経てClaude Sonnet 5に至るまでの変遷。
Transformerの歴史
自己注意機構(Self-Attention)のみで構成されるTransformerアーキテクチャが2017年に登場して以降、自然言語処理から画像・音声まで広がっていった変遷をたどる。