セマンティック・セグメンテーション

セマンティック・セグメンテーションとは？

セマンティックセグメンテーションの主な目的は、画像をさまざまなオブジェクトカテゴリーに対応する意味のある領域に分割することである。たとえば、複数の車、歩行者、樹木を含む画像では、セマンティック・セグメンテーション・モデルは、車を構成するすべてのピクセルを「車」、歩行者を構成するすべてのピクセルを「歩行者」、樹木を構成するすべてのピクセルを「樹木」とラベル付けする。これは、同じオブジェクトクラスのすべてのインスタンスを同じように扱う。これは、画像全体に単一のラベルを割り当てる画像分類や、検出されたオブジェクトの周囲に境界ボックスを描画するが、その正確な形状の輪郭を描画しないオブジェクト検出とは対照的である。

セマンティック・セグメンテーション・モデルは通常、教師あり学習技法を使用して学習され、詳細なピクセルレベルの注釈を持つデータセットを必要とする。出力は通常、セグメンテーションマップである。セグメンテーションマップは、各ピクセルの値（または色）が、予測されるクラスラベルに対応する画像である。

他のセグメンテーション・タスクとの主な違い

セマンティック・セグメンテーションを関連する作業と区別することは重要である：

• インスタンス・セグメンテーション：セマンティック・セグメンテーションでは、「車」クラスに属するすべてのピクセルに同じラベルを付けるが、インスタンス・セグメンテーションはさらに一歩進む。インスタンスセグメンテーションは、オブジェクトの個々のインスタンスを個別に識別し、セグメンテーションする。つまり、画像内の3つの異なる車は、すべて「car」クラスに属しているにもかかわらず、それぞれ固有のセグメンテーションマスクを取得することになる。インスタンスセグメンテーションのためのUltralytics YOLO 使用方法については、こちらをご覧ください。
• パノプティック・セグメンテーション：このタスクはセマンティックセグメンテーションとインスタンスセグメンテーションを組み合わせたものである。セマンティックセグメンテーションのように）各ピクセルにクラスラベルを割り当て、（インスタンスセグメンテーションのように）各オブジェクトインスタンスを一意に識別し、統一的なシーン理解を提供する。

セマンティック・セグメンテーションの応用

セマンティックセグメンテーションによって得られる詳細なシーン理解は、多くの実世界アプリケーションにとって極めて重要である：

1. 自律走行：自動運転車は、周囲の状況を理解するためにセマンティックセグメンテーションに大きく依存している。ピクセルを「道路」、「歩道」、「歩行者」、「車両」、「障害物」などのカテゴリーに分類することで、自律走行システムはナビゲーションと安全に関して情報に基づいた決定を下すことができる。
2. 医療画像解析：ヘルスケアにおいて、セマンティックセグメンテーションはMRIやCTのような医療スキャンを分析するのに役立つ。臓器、組織、腫瘍のような異常の輪郭を正確に描くことができ、医師による診断、治療計画、病気の進行のモニタリングに役立つ。例えば、Ultralytics YOLO モデルは腫瘍検出に使用できます。
3. 衛星画像分析：土地被覆タイプ（森林、水、都市部など）の分類、森林減少の監視、都市スプロールの地図作成、精密農業における作物の健康状態の評価などに使用される。ビジョンAIは農業に多くのメリットをもたらします。
4. ロボット工学：複雑な環境での物体操作やナビゲーションなどのタスクに必要な、より詳細な環境認識をロボットに可能にします。ロボット工学におけるコンピュータビジョンの統合について詳しく知る。

モデルとツール

セマンティック・セグメンテーションは、ディープラーニング・モデル、特に畳み込みニューラルネットワーク（CNN）を採用することが多い。完全畳み込みネットワーク（FCN）やU-Netのようなアーキテクチャーがよく使われる。最新のモデルは Ultralytics YOLOv8のような最新のモデルも、セグメンテーションタスクに強力な機能を提供する。Ultralytics HUBのようなツールは、トレーニング、COCOのようなデータセットの管理、セグメンテーションモデルの効率的なデプロイを行うためのプラットフォームを提供します。