あなたの顔を認識すると、携帯電話のロックが解除されます。自動運転車が道路を横断する歩行者を発見。放射線科医は AI を活用した X 線検査のセカンドオピニオンを取得します。これらすべてのブレークスルーには、コンピューター ビジョンという共通の基盤があります。周囲の世界からの視覚情報を解釈して理解するように機械に教えるのは、人工知能の分野です。この記事では、コンピューター ビジョンの仕組みを詳しく解説し、その背後にある主要なテクノロジーを探り、今日の業界を変革する現実世界のアプリケーションについて見ていきます。
コンピューター ビジョンは、コンピューターが画像、ビデオ、その他の視覚入力から意味のある情報を抽出できるようにする AI の分野です。簡単に言えば、機械に「見る」能力を与え、見たものに基づいて意思決定を行うことです。
群衆の中で友人をどのように認識するかを考えてください。目が光を捉え、脳が形と色を処理し、記憶と照合すると、数ミリ秒以内に「これはサラだ!」と思います。あなたの脳は生まれたときから何百万もの視覚経験によって訓練されているため、これを簡単に行うことができます。
コンピューター ビジョンはこのプロセスを再現しようとしますが、その道筋は大きく異なります。コンピューターは生物学的な意味で「見る」ことはありません。代わりに、ピクセル値を表す数値のグリッドを受け取り、数千または数百万のラベル付きサンプルのトレーニングを通じて、意味のあるオブジェクトや概念に対応する数値のパターンを見つけることを学習する必要があります。
コンピューター ビジョンの歴史は、1960 年代に画像内の境界を識別できるシンプルなエッジ検出アルゴリズムから始まりました。 1990 年代と 2000 年代に、研究者は、さまざまな条件下で物体を認識できる SIFT や HOG などの手作りの特徴記述子を開発しました。本当の革命は 2012 年に到来し、AlexNet と呼ばれる深層学習モデルが ImageNet の競争において従来の手法を劇的に上回りました。それ以来、ディープラーニングが主流のアプローチとなり、コンピューター ビジョンの機能は驚くべきペースで拡大しました。
重要なポイント: コンピューター ビジョンは、人間の視覚システムとよく似た視覚データを解釈する能力を機械に与えますが、生物学的ニューロンの代わりに大規模なデータセットから学習した数学的パターンを使用します。
本質的に、すべてのデジタル画像は単なる数字の集合です。コンピューターがこれらの数値をどのように意味に変換するかを理解することは、コンピューター ビジョンを理解するための第一歩です。
デジタル画像は、ピクセルと呼ばれる小さな正方形で構成されています。各ピクセルには色情報が格納されます。標準のカラー イメージでは、すべてのピクセルが 赤、緑、青 (RGB) チャネルに対応する 3 つの値を保持し、それぞれの範囲は 0 ～ 255 です。たとえば、1920 × 1080 のイメージには、200 万を超えるピクセルと約 600 万の個別の番号が含まれています。
コンピューターにとって、画像はこれらの数値の大きな行列にすぎません。課題は、これらの数字が何を意味するのかを理解することです。
画像を理解するには、コンピューターは視覚情報の構成要素である 特徴 を識別する必要があります。低レベルの特徴には、エッジ、コーナー、色のグラデーションが含まれます。中間レベルの機能は、これらをテクスチャと形状に結合します。高レベルの特徴は、顔、車、動物などのオブジェクト全体を表します。
初期のコンピューター ビジョンでは、エンジニアがこれらの機能を手作業で設計し、「エッジを検出するために明るさの大きな変化を探す」などの明示的なルールを記述していました。このアプローチは制御された環境では機能しましたが、現実世界の画像の厄介な複雑さに苦労しました。
最新のコンピューター ビジョンの画期的な点は、深層学習モデルが独自の機能をデータから直接学習することです。人間がどのパターンを探すかを決定するのではなく、ニューラル ネットワークがトレーニング中に自動的にパターンを検出します。これが、深層学習モデルが非常に強力である理由です。深層学習モデルは、人間のエンジニアが探すことも考えられない微妙で複雑なパターンを見つけることができます。
最新のコンピューター ビジョン システムの主力は、畳み込みニューラル ネットワーク (CNN) です。一つ一つ分解してみましょう。
一度に画像の小さな部分しか表示できない虫眼鏡があると想像してください。この虫眼鏡を画像全体で左から右、上から下にスライドさせて、小さな領域をそれぞれ調べます。すべての位置で、垂直エッジや色のグラデーションなどの特定のパターンを確認し、見つけたものを記録します。
これは本質的に 畳み込み が行うことです。 フィルターまたはカーネルと呼ばれる小さな数字のグリッドが画像上をスライドします。各位置で、その値と対応するピクセル値を乗算し、結果を合計します。出力は、特徴マップ と呼ばれる新しい画像で、フィルターが探しているパターンが出現する場所を強調表示します。
CNN は各層で多くの異なるフィルターを使用し、それぞれが異なるパターンを検出するようにトレーニングされます。初期のレイヤーは、エッジやコーナーなどの単純な特徴を検出します。より深いレイヤーでは、これらの単純な特徴を組み合わせて、目、車輪、顔全体などのますます複雑なパターンを検出します。
畳み込み後の特徴マップは非常に大きくなる可能性があります。 プーリングレイヤー は、小さな領域を要約することでレイヤーを縮小します。最も一般的なタイプである 最大プーリング は、小さなウィンドウ (たとえば 2×2 ピクセル) を取り、最大値のみを保持し、残りを破棄します。
プールすることは、絵画から後退するようなものだと考えてください。間近で見ると、個々のブラシ ストロークが見えます。一歩後ろに下がると、細部はぼやけますが、全体的な形状と構成はより明確になります。プーリングにより、最も重要な情報を維持しながら、ネットワークが処理する必要があるデータの量が削減されます。
数ラウンドの畳み込みとプーリングの後、抽出された特徴は単一の数値リストに平坦化され、完全に接続された層に供給されます。これらのレイヤーは従来のニューラル ネットワークのように機能し、すべての機能を組み合わせて「この画像には猫が含まれている」または「この画像の数字は 7 である」という最終的な決定を下します。
CNN の最も魅力的な側面の 1 つは、CNN の理解がどのように徐々に構築されるかということです。
この階層的な学習は、人間の視覚野が単純なものから複雑なものまで情報をどのように処理するのかを神経科学者が信じていることを反映しています。
いくつかの画期的な CNN アーキテクチャがこの分野を形成しました。
重要なポイント: CNN は、画像上で小さなフィルターをスライドさせてパターンを検出し、プールして複雑さを軽減し、レイヤーを積み重ねて単純なエッジから複雑なオブジェクトまでの理解を構築することによって機能します。
コンピューター ビジョンは単一の問題ではなく、それぞれに異なる目標とテクニックを持つ一連の関連タスクです。
最も単純な質問: この画像には何が写っていますか? 写真が与えられると、モデルはそれを 1 つ以上のカテゴリに割り当てます。 「これはゴールデンレトリバーです。」 「これは肺炎を示す胸部レントゲン写真です。」分類は、他の多くのタスクの基礎となります。
分類では画像内に「何が*」あるかがわかりますが、物体検出では「どこに*あるか」もわかります。各オブジェクトの周囲に境界ボックスを描画し、ラベルを付けます。人気のあるアルゴリズムには、リアルタイムで画像を処理する YOLO (You Only Look Once) や、速度と精度のバランスを保つ SSD (Single Shot Detector) などがあります。物体検出は、あらゆる車両や歩行者の位置を把握することが重要な自動運転などのアプリケーションには不可欠です。
セグメンテーションはさらに一歩進んで、画像内の すべてのピクセル を分類します。境界ボックスの代わりに、各オブジェクトの正確な輪郭が得られます。 セマンティック セグメンテーション は同じクラスのすべてのピクセルに同一のラベルを付けますが、インスタンス セグメンテーション は同じクラスの個々のオブジェクトを区別します (たとえば、群衆の中の 3 人の異なる人を区別します)。
コンピューター ビジョンの特殊なアプリケーションである 顔認識 は、顔に基づいて個人を識別または検証します。最新のシステムは、顔の特徴を、類似した顔が集まっている高次元空間にマッピングします。このテクノロジーは、携帯電話のロック解除機能、ギャラリー内の写真の整理、セキュリティ システムを強化します。
コンピューター ビジョンは、画像を理解するだけでなく、画像を作成することも目的としています。 敵対的生成ネットワーク (GAN) は 2 つのニューラル ネットワークを互いに戦わせます。1 つは画像を生成し、もう 1 つは画像を判断し、時間の経過とともに両方とも改善されます。最近では、拡散モデルが、一貫した画像が現れるまでランダムな静的ノイズから徐々にノイズを除去することを学習することで、驚くべき結果を生み出しました。これらのテクノロジーは、最新の AI アートや画像編集ツールの背後にあります。
コンピューター ビジョンの実際的な影響は、ほぼすべての業界に及びます。
自動運転車は、コンピューター ビジョンを利用して道路をリアルタイムに解釈します。カメラが周囲の状況を捉え、AI モデルが車線区分線、交通標識、他の車両、歩行者、障害物を検出します。 LiDAR とレーダー データを組み合わせたコンピューター ビジョンにより、車両は周囲の環境を詳細に理解できるようになり、瞬時の運転決定が可能になります。
コンピューター ビジョンは医療を変革しています。 AI モデルは、マンモグラムで腫瘍を検出したり、目のスキャンで糖尿病性網膜症を特定したり、X 線で骨折を特定したりすることができ、場合によっては経験豊富な放射線科医と同等またはそれを超える精度を実現します。これらのツールは医師の代わりにはなりません。これらは、特に時間に追われている場合に、人間の目では見逃してしまう可能性のあるものをキャッチできる強力なセカンドオピニオンとして機能します。
買い物客は携帯電話のカメラを商品に向けると、オンラインですぐにその商品を見つけることができます。この ビジュアル検索 機能は、コンピューター ビジョンによって強化されています。小売業者はまた、自動在庫追跡、棚監視、カメラが顧客が手に取ったものを追跡し、自動的に請求するレジレス チェックアウト システムにもこれを使用しています。
工場の現場では、コンピューター ビジョン システムが人間では不可能な速度で製品を検査します。回路基板の微細な欠陥を検出し、ラベルが正しく貼付されていることを検証し、製品が品質基準を満たしていることを確認します。この自動化により無駄が削減され、一貫性が向上し、コストが削減されます。
＃＃＃ 農業
農家はドローンに搭載されたカメラとコンピュータービジョンを使用して、広大な畑全体で作物を監視しています。 AI は、葉のパターンから植物の病気を特定し、作物の収量を推定し、灌漑の問題を検出し、さらには自律型収穫装置を誘導することもできます。この精密農業アプローチは、より少ない資源でより多くの食料を生産するのに役立ちます。
コンピューター ビジョンにより、異常な動作を検出し、不正なアクセスを特定し、人間のオペレーターが数十の画面を監視するよりも効果的に広範囲を監視できるインテリジェントな監視システムが可能になります。これらのシステムは、次に取り上げる重要な倫理的問題を引き起こします。
重要なポイント: コンピューター ビジョンはすでに医療から農業に至るまでの業界に組み込まれており、視覚的な理解を必要とするタスクを自動化し、ほんの 10 年前には不可能だった機能を実現しています。
コンピューター ビジョンは強力ですが、AI コミュニティが対処しなければならない重大な課題も伴います。
コンピューター ビジョン モデルは、学習元のデータによってのみ公平になります。トレーニング データセットが特定の人口統計を過小評価している場合、モデルはそれらのグループに対してパフォーマンスが低下します。たとえば、顔認識システムでは、肌の色が濃い人の場合、エラー率が大幅に高くなることが示されており、これは不均衡なトレーニング データの直接の結果です。
顔認識による個人の特定機能は、プライバシーに関する重大な問題を引き起こします。監視はどのような場合に受け入れられるべきですか?誰がデータにアクセスできるのでしょうか?個人はオプトアウトできますか?これらは社会が依然として取り組んでいる問題であり、EU の AI 法のような規制によって境界線が設定され始めています。
研究者らは、人間の目には見えない、慎重に作られた画像への小さな変更によって、コンピューター ビジョン モデルが騙され、大きく間違った予測を行う可能性があることを示しました。いくつかのステッカーが戦略的に配置された一時停止標識は、速度制限標識として誤分類される可能性があります。この脆弱性は、安全性が重要なアプリケーションにとって重大な懸念事項です。
コンピュータ ビジョン システムを責任を持って構築するということは、バイアスをテストし、制限について透明性を保ち、プライバシーを尊重し、人間の監視を念頭に置いて設計することを意味します。テクノロジーだけでは十分ではありません。コンピューター ビジョンがすべての人に利益をもたらすようにするには、思慮深いガバナンスと倫理的枠組みが必要です。
この分野は急速に進化しており、いくつかのトレンドが次に来るものを形作っています。
トランスフォーマー アーキテクチャは元々テキスト用に設計されましたが、画像に対して非常に効果的であることが証明されています。ビジョン トランスフォーマー (ViT) は、画像を一連のパッチとして処理し、セルフ アテンション メカニズムを使用して画像のさまざまな部分間の関係を理解します。多くのベンチマークにおいて、ViT は従来の CNN を上回るパフォーマンスを示しています。
最もエキサイティングなフロンティアは、画像と言語の両方を一緒に理解するモデルである マルチモーダル AI かもしれません。 GPT-4V や Google の Gemini などのシステムは、画像を記述し、ビジュアル コンテンツに関する質問に答え、テキストとビジュアルを同時に推論することができます。この視覚と言語の融合により、まったく新しいアプリケーションが開かれています。
コンピューター ビジョンは、平面的な 2D 画像を超えて進化しています。新しいモデルは、3D シーンを理解し、奥行きを推定し、写真から 3D オブジェクトを再構築できます。この機能は、拡張現実、ロボット工学、空間コンピューティング プラットフォームに不可欠です。
コンピューター ビジョン モデルをクラウド上ではなく、スマートフォン、ドローン、IoT センサーなどのデバイス上で実行することは、ますます優先事項となっています。 オンデバイス AI は、応答時間の短縮、プライバシーの向上、インターネット接続なしでの作業機能を提供します。効率的なモデル アーキテクチャとハードウェア アクセラレータにより、これがますます実用的になっています。
重要なポイント: コンピューター ビジョンの将来は、トランスフォーマー、マルチモーダル理解、3D 認識、そしてリアルタイムのオンデバイス インテリジェンスを実現するために強力なモデルをエッジ デバイスに導入することにあります。
コンピューター ビジョンは、人工知能の中で最もエキサイティングでアクセスしやすい分野の 1 つです。 AI がどのように「見る」のかに興味があるまったくの初心者であっても、独自の画像認識モデルを構築する準備ができている開発者であっても、あなたのための学習パスがあります。
始めたばかりの場合は、AI Sprouts プログラム] が完璧なエントリーポイントです。実践的なプロジェクトとガイド付き演習を通じて、数学の深い知識がなくても、AI が画像を処理する方法について直感的に理解できるようになります。
さらに深く進む準備はできていますか? AI Canopy プログラム] では、CNN の構築とトレーニング、物体検出フレームワークの操作、運用環境でのコンピューター ビジョン モデルの展開など、高度なディープ ラーニングのトピックを取り上げています。
すべてのプログラムを探索して、あなたの学習行程に最適なものを見つけてください。コンピューター ビジョンの世界は急速に成長しており、これほど参入するのに最適な時期はありません。