1 概要と歴史
PASCAL VOC（Pattern Analysis, Statistical Modelling and Computational Learning Visual Object Classes）は、2005年から2012年まで毎年開催された物体認識のための標準ベンチマークデータセットおよび競技会である。主に自然画像中の物体検出、セグメンテーション、行動認識などのタスクを評価するために設計され、20の物体カテゴリを含む。このデータセットは深層学習以前から広く使われ、CNNベースの手法の性能比較に不可欠な役割を果たした。現在でも物体検出アルゴリズムの基本的な評価基盤として参照される。
1.1 プロジェクトの発足と目的
PASCAL VOCは、欧州連合のPASCAL Network of Excellenceプログラムの一環として開始された。目的は、視覚物体認識のための共通の評価プラットフォームを提供し、異なる手法間の公平な比較を可能にすることにあった。プロジェクトは、アノテーション付き画像データセットの提供と年次コンペティションの運営を通じて、研究コミュニティの進展を促進した。
1.2 年ごとの挑戦の変遷
1.2.1 2005年～2007年：初期段階
2005年に最初のコンペティションが開催され、4つの物体クラス（乗り物、動物、家具、人）を対象とした。当初は画像数が限られていたが、徐々にタスクが拡大された。2007年にはデータセットの規模が大幅に増加し、物体検出に加えてセグメンテーションタスクが導入された。
1.2.2 2008年～2012年：拡張と標準化
2008年以降、行動認識タスクが追加され、アノテーションの品質管理が強化された。2010年には全画像が再アノテーションされ、より一貫性のあるラベルが提供された。2012年が最後の年となり、データセットの拡張は終了した。この期間に、PASCAL VOCは物体認識研究のデファクトスタンダードとして確立された。
1.3 データセットの終了と後継
PASCAL VOCの公式コンペティションは2012年で終了したが、データセットはその後の研究でも広く使用され続けた。後継プロジェクトとしては、より大規模なMS COCOやImageNet Large Scale Visual Recognition Challenge（ILSVRC）が登場し、PASCAL VOCの遺産を引き継いだ。
2 データセット構成
2.1 画像の収集とアノテーション
2.1.1 画像ソース
画像は主にFlickrなどの写真共有サイトから収集された。日常的なシーンを中心に、様々な視点や照明条件を含む自然画像が選ばれた。各画像には少なくとも1つの注釈付き物体が含まれるように設計された。
2.1.2 アノテーション形式（XML）
各画像に対して、物体のバウンディングボックス、カテゴリラベル、その他の属性がXML形式で保存される。典型的なアノテーションファイルは、画像ファイル名、画像サイズ、各物体のクラス名とバウンディングボックス座標（xmin, ymin, xmax, ymax）を含む。
2.2 物体カテゴリ一覧
PASCAL VOCは20の物体カテゴリを定義している。これらは4つの大分類に分けられる。
2.2.1 動物（鳥、猫、牛など）
鳥、猫、牛、犬、馬、羊が含まれる。これらは比較的変形が多く、検出が難しいクラスとして知られる。
2.2.2 乗り物（飛行機、自転車、バスなど）
航空機、自転車、船、バス、車、オートバイ、電車が含まれる。形状が多様で、スケール変化も大きい。
2.2.3 家具・室内（ソファ、テレビモニターなど）
ボトル、椅子、ダイニングテーブル、鉢植え、ソファ、テレビモニターが含まれる。室内シーンでよく出現する。
2.2.4 人
「人」クラスは単独で定義され、さまざまな姿勢や服装で現れる。
2.3 分割（train/val/test）
データセットは公式にtrain、val、testの3セットに分割されている。trainとvalはモデル学習と検証に使用され、testは評価用に保持される。テストセットのアノテーションは非公開で、評価サーバーを通じてのみ結果が得られる。
2.4 タスクごとのデータ配分
物体検出、セグメンテーション、行動認識の各タスクで使用される画像セットは一部重複するが、アノテーションの種類が異なる。例えば、セグメンテーションタスクでは全画像がピクセル単位でアノテーションされているわけではなく、一部の画像のみが対象となる。
3 主要なタスク
3.1 物体検出（Object Detection）
3.1.1 バウンディングボックス予測
物体検出タスクでは、画像中の各物体に対して、そのカテゴリと位置をバウンディングボックスで予測する。予測結果は真値との重なり度合い（IoU）によって評価される。
3.1.2 評価指標（mAP）
標準的な評価指標は平均適合率（mean Average Precision, mAP）である。各クラスの適合率-再現率曲線下の面積を計算し、全クラスで平均したものがmAPとなる。IoU閾値は通常0.5が使われる。
3.2 セマンティックセグメンテーション（Semantic Segmentation）
3.2.1 ピクセル単位の分類
セマンティックセグメンテーションでは、画像の各ピクセルを20の物体クラスまたは背景に分類する。領域境界の精度が重要となる。
3.2.2 評価指標（平均IoU）
評価指標は平均Intersection over Union（mIoU）である。各クラスについて予測領域と真値領域のIoUを計算し、全クラスで平均する。
3.3 行動認識（Action Recognition）
3.3.1 静止画中の人物行動
行動認識タスクは、静止画中の人物が行っている行動（例えば「電話する」「跳ぶ」など）を分類する。2008年から2012年まで提供された。
3.3.2 評価指標
行動認識の評価は、各行動クラスの分類精度（正解率）で行われる。人の領域がバウンディングボックスで与えられている場合と、検出と同時に行う場合がある。
3.4 その他のタスク（Person Layout、Large Scale Recognition）
Person Layoutは人物の頭、胴体、四肢の各部分の検出を要求するタスクである。Large Scale Recognitionは2010年に追加されたタスクで、より多くのカテゴリ（20クラスを超える）を対象としたが、メインのコンペティションとは別枠扱いだった。
4 挑戦と評価フレームワーク
4.1 コンペティションの運営方法
年次コンペティションは、参加者が学習セットでモデルを訓練し、テストセットの予測結果を提出する形式で運営された。提出された結果は、運営側の評価サーバーで自動的に評価され、リーダーボードに掲載された。各参加者は複数回の提出が可能で、最良のスコアのみが採用された。
4.2 リーダーボードと結果公開
コンペティションの結果は毎年ワークショップで発表され、同時に公式ウェブサイトで公開された。リーダーボードはクラスごとの精度と総合mAPが表示され、手法の名称と出典も記載された。これにより、研究の再現性と透明性が確保された。
4.3 ベースライン手法の変遷
4.3.1 伝統的手法（HOG、DPM）
初期のトップ手法は、HOG特徴量とSVM分類器を組み合わせたものや、DPM（Deformable Part Model）が主流であった。DPMは物体の部品モデルを用いて変形に対応し、特に人や動物の検出で高い性能を示した。
4.3.2 深層学習手法（R-CNN、Fast R-CNN、Faster R-CNN）
2012年以降、深層学習の台頭により性能が飛躍的に向上した。R-CNNは領域提案とCNN特徴抽出を組み合わせ、PASCAL VOCで大きな改善をもたらした。その後、Fast R-CNNやFaster R-CNNにより処理速度と精度がさらに向上した。
4.3.3 その後への影響（YOLO、SSD）
PASCAL VOC上で開発された手法は、その後のYOLOやSSDなどの単段検出器の基盤ともなった。これらの手法はPASCAL VOCベンチマークで標準評価され、物体検出の実用化に貢献した。
5 影響と遺産
5.1 研究コミュニティへの貢献
PASCAL VOCは、物体認識研究における共通の評価基盤を提供し、手法の進歩を促進した。多くの著名な論文がこのデータセット上で結果を報告し、分野のベンチマークとして機能した。また、アノテーションの品質と一貫性の高さから、教育や入門研究にも広く利用された。
5.2 後継プロジェクト（COCO、ImageNet DET）
PASCAL VOCの後継として、より大規模で多様なデータセットであるMS COCO（Common Objects in Context）やImageNet DET（ILSVRCの一部）が登場した。COCOは80クラス、30万以上の画像を持ち、物体検出・セグメンテーション・キャプション生成など多様なタスクを提供する。
5.3 現在の利用状況（ベンチマーク、教育目的）
現在でもPASCAL VOCは、新しい物体検出手法の「小さなデータセット」として頻繁に参照される。教育現場では、深層学習入門の演習題材として用いられ、また簡易的なモデル評価に使用されることが多い。
5.4 批判と限界
PASCAL VOCはカテゴリ数が20と限られており、実世界の多様性を十分にカバーしていないとの批判がある。また、画像が比較的クリーンで背景が整っているため、過酷な条件下での性能評価には不十分とされる。さらに、テストセットのアノテーションが非公開であるため、過学習の可能性が指摘されることもある。
6 関連データセットとの比較
6.1 ImageNet
ImageNetは約1400万枚の画像と2万以上のカテゴリを持つ大規模データセットである。物体検出のためのサブセット（ImageNet DET）も提供されるが、カテゴリ数が多く、クラス間の不均衡が大きい。PASCAL VOCはカテゴリ数が少ないが、各クラスのアノテーション品質が高い。
6.2 MS COCO
MS COCOは80クラス、約33万枚の画像を持ち、各画像に複数物体が含まれる。物体のスケールや背景の多様性がPASCAL VOCより豊富で、現在の物体検出・セグメンテーション研究の主要なベンチマークである。評価指標もより厳格（複数のIoU閾値によるmAP）である。
6.3 Cityscapes
Cityscapesは都市シーンに特化したデータセットで、自動運転向けのセマンティックセグメンテーションに重点を置く。30クラス（路面、建物、歩行者など）を含み、高解像度画像が提供される。PASCAL VOCとは対象領域が異なり、評価指標もmIoUが中心である。
6.4 Open Images
Open ImagesはGoogleが公開する大規模データセットで、約900万枚の画像と6000以上のカテゴリを持つ。アノテーションはバウンディングボックスとリレーションシップを含む。PASCAL VOCと比較してカテゴリ数が圧倒的に多く、データセット規模も大きいが、ラベルのノイズがやや多い。