画像認識とは
画像認識は、画像に写っている物体、人物、シーン、テキストなどの対象について、意味のある情報を抽出する処理です。タスクによって、出力には対象の識別情報、ラベル、位置、関係などが含まれることがあります。
画像認識の仕組み
認識システムは、デコードした画像をモデルへの入力に変換し、スコアや構造化された予測を推論して、その出力にしきい値や業務ルールを適用します。分類はフレームの内容を要約し、検出は物体の位置情報を加え、OCR は文字を抽出し、同一性の照合は表現を既知の事例と比較します。これらのタスクはエンコーダーを共有する場合がありますが、アノテーションと評価の要件は異なります。メディアワークフローでは、通常、取り込み時の正規化の後に推論を行い、その結果をモデレーション、カタログ化、検索、レビューキューに渡します。
要点
- 従来のクローズドセット分類器は、既知のラベル間で確率を割り当てます。オープンセットのシステムは、既知のカテゴリーに属さない対象を拒否する方針を追加します。
- 信頼度スコアは、そのまま較正済みの確率になるわけではありません。あるデータ分布で選んだしきい値を使うと、カメラやコンテンツが変わった後で誤り率が変わることがあります。
- メタデータを手掛かりにした近道、背景、透かしが学習ラベルと相関することがあります。その結果、ベンチマークでは高精度でも、被写体が新しい状況に現れると認識に失敗することがあります。
画像認識が重要になる場面
画像全体のラベルでは物体の位置や確認済みの本人識別を代替できないため、必要な出力に合った認識タスクを選択してください。精度は、照明、視点、画質、学習データに含まれない集団によって変わる場合があります。