物体検出は、コンピュータビジョンにおける基本的なタスクの一つであり、デジタル画像や動画内に存在する特定の物体（人、車、動物など）を識別し、その位置を矩形のバウンディングボックスで特定する技術である。分類（「何が写っているか」）と位置特定（「どこにあるか」）を同時に行う点が特徴で、自動運転、監視システム、医療画像診断、製造業における品質検査など、幅広い産業分野で応用されている。近年では、深層学習、特に畳み込みニューラルネットワーク（CNN）の進化により、精度と速度において飛躍的な発展を遂げている。
1 基礎概念
1.1 定義と目的
物体検出とは、デジタル画像または動画フレームから、あらかじめ定義されたカテゴリ（例：人、車、猫）に属する物体を探し出し、その位置を境界矩形で示す処理を指す。目的は、画像の中に「何が」「どこに」存在するかを自動的に認識することであり、これによりコンピュータが視覚情報を理解し、後続の判断や操作に活用できるようになる。
1.2 物体分類・位置特定・セマンティックセグメンテーションとの違い
物体分類は画像全体に1つのラベルを付与するタスクであり、位置情報は得られない。位置特定は単一物体の位置を求めるが、複数物体には対応しない。セマンティックセグメンテーションはピクセル単位でカテゴリを割り当てるが、個々の物体の区別はしない。物体検出は、これらのタスクを統合し、複数物体の分類と位置特定を同時に行う点で異なる。
1.3 入力と出力の形式（画像、バウンディングボックス、クラスラベル、信頼度）
入力は通常、RGB画像（幅×高さ×3チャンネル）である。出力は検出された各物体に対して、バウンディングボックス（矩形の左上座標と右下座標、または中心座標と幅・高さ）、クラスラベル（例：「犬」や「自動車」）、および信頼度スコア（0から1の間で、検出の確からしさを表す）から構成される。検出結果はリストとして返される。
2 主要な手法
2.1 従来の手法
深層学習が普及する以前は、手設計の特徴量と機械学習分類器を組み合わせた手法が主流であった。スライディングウィンドウ方式で画像全体を走査し、領域ごとに特徴を抽出して分類を行った。
2.1.1 特徴抽出器（Haar-like特徴、HOG、SIFT）
Haar-like特徴は矩形領域の輝度差を計算する単純な特徴で、Viola-Jones検出器で顔検出に用いられた。HOG（Histogram of Oriented Gradients）は局所領域の勾配方向ヒストグラムを特徴とし、人物検出で高い性能を示した。SIFT（Scale-Invariant Feature Transform）は回転やスケール変化に頑健な局所特徴であり、物体認識や画像マッチングに多用された。これらの特徴量はSVMなどの分類器と組み合わせて使用された。
2.2 深層学習ベースの手法
CNNの導入により、特徴抽出から分類・位置特定までをエンドツーエンドで学習できるようになり、精度が大幅に向上した。大別して二段階検出器と一段階検出器に分類される。
2.2.1 二段階検出器（R-CNN、Fast R-CNN、Faster R-CNN）
R-CNNは領域提案（Selective Search）で候補領域を抽出し、各領域をCNNで分類・回帰する方式。Fast R-CNNは画像全体から特徴マップを一度計算し、RoIプーリングで領域特徴を抽出することで高速化を実現。Faster R-CNNは領域提案ネットワーク（RPN）を導入し、領域提案と検出を同一ネットワーク内で行うことで、さらに高速かつ高精度となった。
2.2.2 一段階検出器（YOLO、SSD、RetinaNet）
YOLO（You Only Look Once）は画像をグリッドに分割し、各グリッドから直接バウンディングボックスとクラス確率を予測する、極めて高速な手法。SSD（Single Shot MultiBox Detector）は複数スケールの特徴マップから検出を行うことで、小物体にも対応。RetinaNetはFocal Lossを導入し、一段階検出器でクラス不均衡問題を解決し、二段階検出器に迫る精度を達成した。
2.2.3 Transformerベースの手法（DETR）
DETR（Detection Transformer）はCNNとTransformerを用いて、物体検出を集合予測問題として定式化。アンカーボックスやNMSを不要とし、エンドツーエンドで検出を行う。ハンガリアンアルゴリズムで予測と正解をマッチングし、損失を計算する新しい枠組みである。
2.3 アンカーボックスと損失関数
多くの検出器は、あらかじめ定義した複数の形状（アンカーボックス）を基準に、オフセットを回帰することで位置を推定する。損失関数は分類損失（交差エントロピー損失など）と回帰損失（L1損失やSmooth L1損失、IoU損失など）の重み付き和で構成される。
2.3.1 IoU（Intersection over Union）
IoUは、予測バウンディングボックスと正解バウンディングボックスの重なりを評価する指標。両者の積集合面積を和集合面積で割った値で、0から1の範囲をとる。IoUが高いほど位置精度が高い。損失関数として直接最適化する手法（GIoU、DIoU、CIoUなど）も提案されている。
2.3.2 NMS（Non-Maximum Suppression）
NMSは、同一物体に対して複数の重複した予測が出力されるのを抑制する後処理アルゴリズム。信頼度の高い検出を選択し、IoUが閾値以上の重複検出を除去する。ソフトNMSや適応的NMSなどの改良版もある。
3 評価指標
3.1 適合率、再現率、F1スコア
適合率は検出結果中の真陽性の割合、再現率は真の物体のうち検出できた割合を表す。F1スコアは両者の調和平均であり、バランスのとれた性能評価に用いられる。物体検出では通常、IoU閾値（例：0.5）を設定して真陽性・偽陽性を定義する。
3.2 平均適合率（mAP）
mAP（mean Average Precision）は、各クラスの適合率-再現率曲線下の面積（AP）を計算し、全クラスで平均した指標。MS COCOデータセットでは、IoU閾値を0.50から0.95まで0.05刻みで変化させた平均（mAP@[.5:.95]）が標準的に用いられる。物体検出の総合的な精度を評価する最も一般的な指標である。
3.3 検出速度（FPS）
FPS（Frames Per Second）は、1秒間に処理できる画像フレーム数で、モデルの実行速度を表す。リアルタイム検出が必要な自動運転や監視システムでは、FPSが重視される。高速なYOLOシリーズは数百FPSを達成することもあるが、高精度な二段階検出器は比較的低FPSとなる。
4 主要なデータセット
4.1 PASCAL VOC
PASCAL VOC（Visual Object Classes）は、2005年から2012年まで開催されたチャレンジで提供されたデータセット。20クラスの物体（人、動物、乗り物、家具など）を含み、約11,000枚の画像がアノテーションされている。物体検出のベンチマークとして広く利用され、mAP@0.5が標準評価指標であった。
4.2 MS COCO
MS COCO（Microsoft Common Objects in Context）は、2014年に公開された大規模データセット。80クラス、約33万枚の画像、約150万個の物体インスタンスを含む。背景が複雑で小物体が多く、挑戦的なベンチマークとして現在の研究で最も頻繁に使用される。評価はmAP@[.5:.95]が標準。
4.3 ImageNet Detection Challenge
ImageNetは大規模画像データセットであり、その一部として物体検出のためのチャレンジが行われた。200クラスと多クラスで、約50万枚の画像がアノテーションされている。ただし、近年はMS COCOが主流となったため、現在ではあまり用いられない。
5 応用分野
5.1 自動運転と交通監視
自動運転車では、歩行者、他車両、信号機、道路標識などをリアルタイムで検出し、安全な走行制御に活用する。交通監視システムでは、車両の流れやナンバープレートの読み取り、違反行為の検出に使用される。高い精度と低遅延が要求される。
5.2 医療画像解析（腫瘍検出、細胞検査）
CT、MRI、X線画像から腫瘍や病変を自動検出し、医師の診断を支援する。病理画像では細胞の種類や異常細胞の検出に応用される。少量のデータでも高精度が求められるため、データ拡張やドメイン適応が重要な課題である。
5.3 セキュリティと監視システム
防犯カメラの映像から不審者や異常行動を検出したり、顔検出による個人識別に利用される。公共の安全確保や犯罪防止のためのリアルタイム監視に貢献している。プライバシーへの配慮も重要な論点である。
5.4 工業生産ラインでの欠陥検出
製造業では、製品表面の傷、汚れ、部品の欠落などを画像から自動検出する。従来の目視検査を代替し、品質管理の効率化と精度向上を実現する。背景が単純で物体の種類が限られるため、比較的実装しやすい応用である。
5.5 拡張現実（AR）とロボットビジョン
ARでは、検出した物体に情報を重ね表示するために物体検出が用いられる。ロボットでは、物体の位置を把握して把持や操作を行うための認識基盤として重要。動的な環境でも高速に動作することが求められる。
6 課題と将来の方向性
6.1 小物体とオクルージョンへの対応
画像中でピクセル数が少ない小物体や、他の物体に隠れたオクルージョン状態の検出は依然として困難である。高解像度特徴マップの活用、マルチスケールアプローチ、コンテキスト情報の利用などの研究が進められている。
6.2 ドメイン適応とデータ不足
訓練データと実運用環境の間にギャップ（ドメインシフト）があると性能が低下する。アノテーションコストが高いため、ラベルなしデータからの学習（半教師あり・自己教師あり学習）や、シミュレーションで生成したデータの活用が注目されている。
6.3 リアルタイム処理とエッジデバイスへの展開
深層学習モデルは計算コストが高く、エッジデバイス（スマートカメラ、ドローンなど）でのリアルタイム動作が課題。モデルの軽量化（プルーニング、量子化、知識蒸留）や、専用ハードウェア（NPU、FPGA）の活用が進んでいる。
6.4 説明可能性と公平性
モデルの判断根拠を人間が理解できる形で示す説明可能性が、医療やセキュリティなどの重要分野で求められる。また、特定の人種や属性に対する偏りのない公平な検出性能も社会的要請である。解釈可能な特徴の可視化や、バイアスを低減する学習手法の研究が進行中である。