コンピュータビジョンは、人工知能の一分野であり、コンピュータや機械が現実世界の視覚情報を「見て」、処理し、解釈できるようにする技術です。カメラ、センサー、機械学習モデルを組み合わせることで、コンピュータビジョンシステムは物体検出、顔認識、文字読み取り、動きの追跡などを行い、人手をはるかに超える規模と速度で画像や映像を理解できます。
コンピュータビジョンの仕組み
現代のコンピュータビジョンはディープラーニングに依存しており、主に畳み込みニューラルネットワーク（CNN）が使われ、最近ではTransformerベースのアーキテクチャも登場しています。モデルは、含まれる物体がタグ付けされた数百万枚の写真など、大規模なラベル付きデータセットで学習されます。学習の過程で、ネットワークは反復的に現れるパターン――エッジ、テクスチャ、形状、そして最終的には物体全体――を認識することを学びます。
推論時には、システムが画像や映像フレームを取得し、学習済みモデルに入力して予測を出力します。たとえば、街の写真を入力すると、モデルが各ピクセルをクラス分けし、道路、歩行者、信号機、ほかの車両などをマーキングします。同じパイプラインは光学文字認識（OCR）のような単純なタスクにも活用されており、画像内の手書きや印刷された文字を機械可読な文字に変換します。
なぜ重要なのか
コンピュータビジョンは、現実世界のためのAIの「知覚レイヤー」です。放射線科医が腫瘍を発見するのを支援する医療画像診断ツール、混雑した街中を走行する自動運転車、製造ラインの不良を検出する工場システム、決済を自動化する小売アプリケーションなど、あらゆるものの基盤となっています。また、スマートフォンの顔認証、画像検索、ARフィルター、防犯カメラといった日常機能にも活用されています。ピクセルを構造化データに変換することで、コンピュータビジョンは機械が「見たもの」に基づいて行動できるようにし、物理世界とデジタル世界が交わる領域での自動化を可能にします。
主要なタスクと種類
- 画像分類:画像全体に「猫」や「犬」のような単一のラベルを割り当てるタスク。
- 物体検出:対象の物体の周囲にバウンディングボックスを描画し、識別するタスク。
- 画像セグメンテーション:ピクセル単位でクラス分類を行い、シーンを詳細に理解するタスク。
- 顔認識:顔の特徴から人物を識別・照合するタスク。
- 光学文字認識（OCR）:画像から印刷・手書きのテキストを抽出するタスク。
- 姿勢推定とトラッキング:人や物体の位置や動きを時間経過に沿って検出するタスク。
コンピュータビジョンは、視覚データが豊富であること、基盤となるハードウェア（GPUや専用センサー）が成熟していること、そして2010年代初頭からImageNetのような標準ベンチマークがモデルの急速な進化を牽引してきたことから、AIの中でも最も商業的に普及している分野の一つとなっています。