コンピュータビジョン
カメラという「人工の目」で世界を捉え、ソフトウェアの「脳」で画面の中の対象や状況を自ら理解させる技術です。
定義 スマートフォンのカメラが人間の「目」だとすれば、コンピュータビジョンは目に映った風景を認識する「脳の視覚野」です。コンピュータが写真や動画などの視覚データを分析し、モノの種類や位置だけでなく、今どんな状況が起きているのかまで自律的に理解できるようにする人工知能（AI）技術です。
数字のマス目から猫を見つけ出す
人間なら猫の写真を見れば、ピンと立った耳や可愛いヒゲを一目で認識できます。しかし、コンピュータにとって写真は、無数の小さな点（ピクセル）ごとに色と明るさを表す数値がびっしり並んだ、巨大なマス目にすぎません。
コンピュータビジョンは、この無機質な数字の羅列の中から意味のある視覚的パターンを見つけ出す訓練を行います。例えば、周囲と比べて数値が急激に変化する「境界線（エッジ）」をまず検出し、それらの線が集まってできる三角形や円といった基本の輪郭を組み立てます。
最後に「尖った2つの三角形」と「丸い楕円」が組み合わさった形を統合して、初めて「これは猫の顔だ」と判断するのです。モザイクのピースを下から1つずつ組み立てて全体の絵柄を理解していくプロセスに似ています。
単なる分類を超えて細部まで見抜く
コンピュータビジョンの能力は、写真に単にラベルを貼るだけにとどまりません。「写真の中に猫がいる」と当てるレベルから出発し、はるかに精密で高度な作業へと進化しています。
代表的なのが、対象物が画面の正確にどこにあるかを四角い枠で特定する物体検出（Object Detection）技術です。自動運転車が道路を走行しながら、周囲の歩行者や信号機、車線をリアルタイムで同時に捉える際に欠かせません。
さらに進んで、写真内のすべてのピクセルを「道路」「人」「歩道」「空」のようにエリア単位できっちり塗り分けて識別するセグメンテーション（領域分割）技術もあります。人工衛星の写真から森林や建物の面積変化を調べたり、スマートフォンの写真アプリで人物の背景だけをきれいに切り抜いたりするときに活用されています。
もう少し詳しく：ディープラーニングと畳み込みニューラルネットワーク
かつては研究者が「猫の耳は60度の角度を持つ三角形」といった形状ルールを手作業でプログラムに記述していました。しかし、猫が横を向いたり薄暗い部屋にいたりすると、コンピュータは全く認識できなくなるという決定的な限界がありました。
現在では、畳み込みニューラルネットワーク（CNN）と呼ばれるAIの構造によって、この課題が見事に解決されました。コンピュータに何百万枚もの写真を見せることで、どんな角度や照明条件であっても対象を見分けるための特徴を、機械自身が自律的に学習します。
人間が視覚を司る脳細胞で世界を認識する仕組みを模倣したアルゴリズムと、ビッグデータ学習が出会ったことで、今や工場で一瞬にして不良品を選別したり、複雑な交差点の交通量をリアルタイムで制御したりするレベルにまで達しています。
🤔 よくある誤解
コンピュータビジョンとは、解像度が極めて高い高性能カメラのハードウェアのことである。
コンピュータビジョンはカメラ部品そのものではなく、カメラが撮影した視覚データを分析して意味を読み解く「AIソフトウェアアルゴリズム」を指します。
🧺 日常で出会う場面
コンピュータビジョンとは、ピクセル内の数値データを分析し、モノの形や位置、意味を人間のように理解させる人工知能（AI）技術です。