コンピュータビジョン

コンピュータビジョン（Computer Vision）は、カメラの画像や動画から、そこに何が写っていてどんな状況かをコンピューターに読み取らせる技術の分野です。人間が目と脳で自然にやっていることを、機械で再現しようとする試みと言えます。

何ができるのか

代表的なタスクは次のとおりです。

• 画像分類：写真全体を見て「猫」「犬」「車」などに分ける。
• 物体検出：画像のどこに何が写っているかを、枠で囲んで示す。
• セグメンテーション：画素単位で、人・道路・空などの領域を塗り分ける。
• 文字認識（OCR）：画像内の文字を読み取ってテキストにする。
• 姿勢推定・顔認識：人の関節の位置や、顔の特徴を捉える。
• 追跡：動画の中で同じ物体を追いかける。

しくみの変遷

かつては、人が「角」「輪郭」などの特徴を設計して手作業で取り出していました。2012年ごろ、畳み込みニューラルネットワーク（CNN）が画像分類の大会で大きな成果を上げ、ディープラーニングが主流になりました。現在は、画像を小さなパッチに分けて扱う Transformer（Vision Transformer）も広く使われています。さらに、文章と画像を同時に学習したモデルにより、「この写真の内容を説明して」といった自然な言葉での指示も可能になり、マルチモーダルなモデルとして LLM と統合されつつあります。

具体例

• 工場で、製品の傷を自動で見つける外観検査。
• スマートフォンで、撮影した名刺や書類の文字を読み取る機能。
• 医療で、レントゲンやCT画像から病変の候補を示す補助。
• 自動運転で、歩行者や信号、車線を認識する。
• 画像を生成する拡散モデルも、画像の構造を学ぶ点で近い分野です。

注意点とよくある誤解

• 学習データに左右される：学習時に見ていない環境（暗い場所、珍しい角度、別の国の風景）では精度が落ちることがあります。
• 偏りの問題：顔認識などでは、人種や性別によって精度が異なる事例が報告されており、バイアスの検証が求められます。
• プライバシーと法規制：顔や車のナンバーなど、個人を特定できる映像の扱いには、法律や社会的な配慮が必要です。
• 人の目の代わりではなく補助：特に医療や安全に関わる場面では、人が最終判断をする運用が基本です。

関連する考え方

multimodal は画像と文章を一緒に扱う仕組み、diffusion-model は画像を生成する方式、neural-network はその土台となる技術です。