このページは、検出・分割と運用の論点 を、初学者向けに短く整理するノートです。時系列の背景は 畳み込みと画像認識史 を参照してください。
2015 年代以降、画像認識は「1 枚に 1 ラベル」の 分類 から、物体検出（どこに何があるか）や セマンティックセグメンテーション（ピクセルごとの領域）へ拡張しました。R-CNN 系、YOLO 系、U-Net、DeepLab など、畳み込みを骨格にした設計が主流です。同時に ドメインシフト、敵対的入力、軽量化、説明可能性 が運用の主題になっています。
ざっくりいうと
- 物体検出：バウンディングボックスとクラスを同時に出力。二段階（R-CNN 系）や一段階（YOLO 系）の設計がある。
- セグメンテーション：各ピクセルにクラスラベルを付与。医療画像や自動運転などで重要。
- ドメインシフト：学習データと本番データの見た目が違うと性能が落ちる問題。
- 軽量化・推論最適化：量子化、蒸留、効率的アーキテクチャで レイテンシとコスト を抑える。
検出・分割と運用の論点で何をしているか
たとえば倉庫の監視カメラで「人物とフォークリフト」を検出したい場合、分類モデルだけでは 位置情報 が足りません。検出モデルは畳み込みバックボーンで特徴マップを作り、領域提案 や アンカー、NMS（非最大抑制） などの後処理と組み合わせて、重なった箱を整理します。運用では、精度指標（mAP など）だけでなく、誤検知のコスト や 推論時間、カメラの設置環境の変化への耐性をセットで設計します。
- 畳み込みバックボーンで 多スケール特徴 を抽出する。
- タスク用ヘッドで 箱・マスク・クラス を予測する。
- 後処理（NMS など）で重複出力を整理する。
- 本番データで ドメイン差 や 分布シフト を監視し、再学習・適応を検討する。
- エッジ端末では 軽量モデル と 量子化 で推論コストを抑える。
強みと限界（短く）
強み
- 分類より 実務に近い出力（位置・領域）を、同じ畳み込みの延長で扱える。
- 事前学習バックボーンの共有により、下流タスク への展開がしやすい。
限界
- ラベル付けコスト（箱・マスク）が分類より重い。
- 敵対的入力や 見えない摂動 への脆弱性が、安全クリティカルな領域では大きな論点になる。
- 大規模モデルは 運用コスト（GPU、電力、監査）が高く、システム設計が必須。