1．統計的学習に基づく画像認識の発展

　制約のない実世界画像の認識・理解は一般物体認識⁽¹⁾と呼ばれ，古くから人工知能の究極的な目標の一つとされてきた．古典的には幾何的なルールや三次元モデルに基づくアプローチが模索されていたが，1990年代前後から統計的パターン認識に基づくアプローチが大きな成功を収めるようになった．2000年代に入るとより現代的な機械学習手法が多用されるようになり，現代に至るまでコンピュータビジョン分野における一大人気トピックとなっている．

　より具体的に画像認識の目的を述べると，入力画像が与えられたときに，これを自動的に何らかのラベル（例えばカテゴリー名や物体の座標など）へ変換する関数を得ることであると言える．統計的学習に基づくアプローチでは，入出力の多数の事例データから成る訓練データセット（はデータ数）から，そのような関数を帰納的に推定する．統計的画像認識手法はこれを実現するために，としてある識別モデルや確率モデルを仮定し，そのパラメータを推定する一連の手続きを与えるものである．

　さて，統計的学習に基づくシステムにおいては，認識手法の理論自体ももちろん大事であるが，それ以上に訓練データセットが重要である．いかに高度な数理的手法を用いようとも，訓練データセットが想定していない物事の認識は本質的に不可能であるため，所望のタスクに対して十分に網羅的かつ質の良い事例データを用意する必要がある．また，十分な汎化性能（テスト時の性能）を得るためには訓練データの量も同様に重要である．一般に，多数のパラメータを有する複雑なモデルほど表現能力は高いが，より多数の訓練データがなければ過学習に陥りやすく，高い性能を得ることは難しい．歴史をひも解くと，モデルとデータセットは常に一体となって発展してきており，その時々に最先端として注目されていた手法は，当時のデータの規模や計算機の速度に最も適合した複雑さを有するものであったと言える．現在深層学習として全盛期を迎えているニューラルネットワークも最初から現在のような成功を収めていたわけではなく，データ量や計算機パワーに乏しかった時代は十分な力を発揮できず，浅い識別モデルと特徴量に基づくアプローチがはるかに優勢であったことを忘れてはならないだろう．