RPN（領域提案ネットワーク）は、物体検出において物体を含む可能性のある候補領域、つまりバウンディングボックスを生成するために使用されるニューラルネットワークの一種です。これは2015年にShaoqing Ren、Kaiming He、Ross Girshick、Jian SunによってFaster R-CNNアーキテクチャの一部として導入され、領域提案の生成と物体分類を単一のエンドツーエンドで訓練可能なモデルに統合しました。RPNはセレクティブサーチなどの従来の領域提案手法を置き換え、検出パイプラインの速度と精度を大幅に向上させました。
RPNは、バックボーンとなる畳み込みネットワーク（VGG-16やResNetなど）が生成する特徴マップ上で動作します。特徴マップ上を小さなネットワークがスライドし、各スライディングウィンドウ位置で、異なるスケールとアスペクト比を持つアンカーボックスのセットを用いて複数の領域提案を予測します。出力には、物体らしさスコア（領域に物体が含まれるかどうかを示す）と、洗練されたバウンディングボックス座標が含まれます。これらの提案は、最終的な検出のために下流の分類器とバウンディングボックス回帰器に渡されます。
アーキテクチャとメカニズム
RPNは完全畳み込みネットワークです。H x W x Cのサイズの入力特徴マップを受け取り、3x3の畳み込み層を適用した後、2つの並列な1x1の畳み込み層（1つは分類用、もう1つは回帰用）を適用します。各空間位置で、ネットワークはk個のアンカーボックス（通常、3つのスケールと3つのアスペクト比でk=9）を処理します。分類層は2k個のスコアを出力し、回帰層は4k個の座標を出力します。訓練中、アンカーは、任意のグラウンドトゥルースボックスとの交差結合（IoU）重なりが0.7を超える場合、またはグラウンドトゥルースボックスとのIoUが最も高い場合に正としてラベル付けされます。IoUが0.3未満のアンカーは負としてラベル付けされます。損失関数は、分類のクロスエントロピー損失と回帰のスムーズL1損失を組み合わせます。
訓練とFaster R-CNNとの統合
Faster R-CNNでは、RPNはマルチタスク損失を使用して検出ネットワークと共同で訓練されます。訓練は、RPNとFast R-CNN検出器の最適化を交互に行うか、バックプロパゲーションによるエンドツーエンドで実行できます。RPNは検出器と畳み込み特徴を共有するため、冗長な計算が削減されます。RPNによって生成された提案は、関心領域（RoI）プーリング層への入力として使用され、各提案に対して固定サイズの特徴マップを抽出し、その後、分類とバウンディングボックス精緻化のための全結合層に渡されます。この設計により、Faster R-CNNはGPU上でほぼリアルタイムの速度（毎秒約5〜17フレーム）で動作し、PASCAL VOCやMS COCOなどのベンチマークで最先端の精度を達成しました。
影響と進化
導入以来、RPNは多くの物体検出アーキテクチャの基盤となるコンポーネントとなっています。これは、Mask R-CNN（インスタンスセグメンテーション用）、FPN（Feature Pyramid Network、マルチスケール特徴マップでRPNを強化）、RetinaNetなどのワンステージ検出器（アンカーベースの予測を組み込む）など、後続のモデルに影響を与えました。アンカーボックスと領域提案生成の概念は、人工知能の自動運転や医療画像などの他の分野にも適応されています。RPNが最小限の計算オーバーヘッドで高品質な提案を生成できることは、コンピュータビジョンの深層学習時代における重要な革新となりました。
制限と代替案
その成功にもかかわらず、RPNには制限があります。事前定義されたアンカーボックスの使用には、スケールとアスペクト比の慎重な調整が必要であり、異常な形状の物体には最適でない場合があります。アンカーベースの手法はまた、多数の提案を生成し、その多くは冗長であるため、計算効率が低下します。これらの問題に対処するため、CornerNetやCenterNetなどのアンカーフリー検出器が提案され、アンカーなしでキーポイントや中心点を直接予測します。しかし、RPNはそのシンプルさと有効性から広く使用され続けており、現代の多くの検出フレームワークで標準的なコンポーネントとなっています。
関連項目
注意：この記事は利用可能なスラッグのみへの内部リンクを使用しています。提供されたリストには「コンピュータビジョン」や「畳み込みニューラルネットワーク」が含まれていないため、リンクは利用可能なものに限定されています。