物体検出は、画像や動画内の物体のカテゴリを識別し、同時に物体の位置を特定するコンピュータビジョンのタスクです。この技術は、物体の分類と空間的な位置特定機能を組み合わせたもので、画像に「何が写っているか」だけでなく「どこにあるのか」も特定する必要があります。通常、物体のカテゴリ、境界ボックス、その他の空間情報を予測することで、視覚シーンの構造的な理解を実現し、コンピュータビジョン分野における重要な基礎タスクの一つとなっています。

物体検出の開発は、画像分類、物体位置特定、従来のコンピュータビジョンなど、複数の分野における長期的研究に基づいて構築されています。初期の手法は主にスライディングウィンドウ、手動で設計された特徴量（HaarやHOGなど）、および分類器の組み合わせに依存して物体検索を行っていましたが、計算効率と複雑なシーンへの適応性には限界がありました。ディープラーニングの開発に伴い、研究者たちは畳み込みニューラルネットワークを利用して視覚的特徴量を自動的に学習し始めました。2014年、カリフォルニア大学バークレー校のRoss Girshickらは、論文を発表しました。 高精度な物体検出とセマンティックセグメンテーションのための豊富な特徴階層 R-CNN法は、物体検出タスクに深層畳み込み特徴を導入することで、検出性能を大幅に向上させ、深層学習による物体検出分野における重要な代表的研究の一つとして提案された。

現代の物体検出システムは、一般的に畳み込みニューラルネットワーク（CNN）、Transformer、基本的なビジョンモデルなどの技術を利用して、画像内の物体を分類および特定します。検出方法に応じて、2段階検出方法（Faster R-CNNなど）と1段階検出方法（YOLOやSSDなど）に分類でき、自動運転、インテリジェント監視、ロボット知覚、産業検査、医療画像解析などのシナリオで広く使用されています。近年、検出パラダイムも進化しており、DETRに代表されるエンドツーエンドのTransformer検出器は、アンカーボックス設計や非最大抑制などの手動による後処理ステップを排除し、オープンボキャブラリー検出方法とビジョン言語モデルを組み合わせることで、トレーニング中に見られない物体カテゴリをシステムが識別できるようになり、物体検出の応用範囲がさらに拡大しています。