A model for estimating human visual attention : the latest approch with a dynamic Bayesian network

ある与えられた画像や映像の中から「もの」を取り出 す物体検出、及びその「もの」に関する情報を提示する 物体認識は、パターン認識やコンピュータビジョンの研 究分野において非常に長い歴史を持つと共に、無数とも 言えるほどの数の研究がなされている、非常にホットな トピックの 1つである。特に、人間やその顔など、一部の 特定対象についての物体検出については、対象に関する 事前知識を有効かつ最大限に利用することで、すでに実 用に供する技術水準に到達している [1], [2]。しかし、対象 に関する制約のない一般の物体検出・認識については、対 象となる物体の種類が膨大であること、同一種類の物体 でも多様な要因により見た目が大きく変化することなど から、極めて解決が難しい問題として知られている [3]。 一方で、我々人間は、特に意識することなく日常的に、 様々な物体の検出や認識を行っている。例えば、図 1左に 示す画像を見ると、乗用車・標識・白線などの存在を即時 に検出できるだろう。このような機能の実現には、視覚的 注意 (visual attention) [5]と呼ばれる人間の視覚メカニ ズムが大きく関与していると考えられている。すなわち、 視覚的注意とは、目から入力されてくる信号の中から重 要と思われる情報を瞬時に判断して、効率的かつ選択的 に情報を獲得するためのメカニズムである。この視覚的 図 1: 顕著度に基づく視覚的注意のメカニズム。Ittiらの 計算モデル [4]により、左の入力画像から右の顕著度画像 が得られる。Ittiらは、顕著度画像の画素値が最大となる 箇所に注意が向けられる仕組みを仮定したが、この例か らも、必ずしもその仮定が真ではないことがわかる。