物体検出モデルYOLO（You Only Look Once）の説明として、最も適切なものはどれか。
- 1選択的探索（Selective Search）などで物体らしい領域の候補を抽出した後、各候補領域をCNNで分類する2段階の手法である。
- 2画像をグリッド状に分割し、バウンディングボックスの位置とクラス確率を1回の推論でまとめて予測する1段階（ワンステージ）の手法である。
- 3エンコーダで縮小した特徴マップをデコーダで元の解像度に戻し、スキップ接続で細部の情報を補う構造を持ち、医用画像のセグメンテーション向けに提案された手法である。
- 4Faster R-CNNに物体領域のマスクを予測するブランチを追加し、インスタンスセグメンテーションを可能にした手法である。
正解と解説を見る
正解：2
YOLOは画像全体をグリッドに分割します。領域候補の抽出と分類を分けず、1つのネットワークで位置とクラスを同時に予測するため、高速でリアルタイム処理に向いています。1はR-CNN、3はU-Net、4はMask R-CNNの説明です。「領域候補の抽出→分類」と進む2段階型（R-CNN系）と、一度に予測する1段階型（YOLO、SSD）の違いを押さえておきましょう。
根拠：Redmon et al. (2016) "You Only Look Once: Unified, Real-Time Object Detection"