見知らぬ空中写真で車を検出する仕組み──AIが学んだ“見知らぬ街のクルマ探し”の技術：2025/07/31

空中からの画像で車を検出するタスクは、都市計画、交通モニタリング、災害対応、防衛など、さまざまな分野で役立つ可能性があります。

ただしここで問題になるのが、「場所の違い」。

たとえば、あるAIがニューヨークの空中画像で車を探す訓練を受けたとして、それがニュージーランドやユタ州の写真でも通用するかというとまだ「うまくいかないことが多い」のとのこと。

都市の構造や車の形、道路の色、さらには太陽の角度までもが、場所によって微妙に変わることが理由の様です。

AIにとっては「見たことがない景色」になってしまい、正しく判断できないのです。

このような「場所の違いによる性能低下」のことを、専門用語で【ドメインシフト】と呼びます。

では、どうすればAIは「知らない場所」でもクルマを見つけられるようになるのでしょうか？

今回紹介する研究は──「知らない場所なら、自分でその場所の画像を作ってしまえばいいじゃないか」というアプローチでこの問題に取り組んでいます。

Adapting Vehicle Detectors for Aerial Imagery to Unseen Domains with Weak Supervision

実際この研究では、「Stable Diffusion（ステーブル・ディフュージョン）」と呼ばれる【画像生成AI】を使い、ニュージーランドやユタ州の空中写真そっくりの画像を、テキストから生成させています。

たとえば

「ニュージーランドに車が数台ある空中写真を生成して」

という指示文（プロンプト）を渡すと、本当にそれっぽい画像が生成されるのです。

生成された画像に、「どこに車が写っているか」の正解ラベルが必要では？

たしかに、AIは画像を“描く”ことは得意ですが、「車がどこにいるか」を同時に“教えて”くれるわけではありません。

そこで研究チームは、生成の裏側で使われている【クロスアテンションマップ】という仕組みに注目しました。

これは簡単に言うと、画像生成中に「どの部分が“車”という単語と関係しているか」を記録した“ヒートマップ”のようなものです。赤くなる部分は「ここが車っぽいよ！」というサインとなります。

このマップを使えば、画像中のどこに車がいるかをある程度推定できるのです。

さらに、このマップを「車」だけでなく、「背景」や「無関係なもの」との違いも学ばせることで、より精度の高いラベルが自動的に作れるように工夫しています。

ただし、推定されたラベルにも不確かな部分が残ります。

そこで研究では、2段階の工夫を加えました

このように“二重チェック”を加えることで、自動生成されたラベルの信頼性を高めているのです。

さて、この「自動で画像もラベルも作ってしまうAI学習パイプライン」は、本当に既存の手法より優れているのでしょうか？

既存のアプローチと比較した結果、以下のような差が出ました

明らかに「一段上の次元」に到達しているといえる成果に見えます。

従来は、「大量の人手によるラベル付け」や「データ収集の手間」がボトルネックでしたが、

今後はAIが画像を作り、ラベルも生成し、自分で訓練データを整えていく──そんな自律的なフローが現実のものになってきました。

書き手

名前：Shindy Miyata

セキュリティエンジニア