AI資格ドリル
資格を選ぶ↓

用語比較

Fast R-CNNとFaster R-CNNの違い｜候補領域を外部の手法で出すか、領域提案ネットワークで出すか（G検定）

Fast R-CNNとFaster R-CNNは、どちらも候補領域を取り出してから分類する二段階の物体検出手法で、名前も似ています。違いは、候補領域をどこで出すかにあります。

Fast R-CNNは候補領域を別のアルゴリズムに頼り、Faster R-CNNは領域提案ネットワーク（RPN）で候補領域を出して検出ネットワークと特徴を共有すると覚えると、選択肢を切り分けられます。

このページは、arXivに載った2本の論文（2015年）をもとに比べます。Faster R-CNNと他の手法との比較は別のページにあります。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。

結論

Fast R-CNN

候補領域を深い畳み込みネットワークで効率よく分類する。VGG16の訓練はR-CNNの9倍、推論は213倍速い。候補領域の計算は別のアルゴリズムが担う。

Faster R-CNN

領域提案ネットワーク（RPN）で、画像全体の畳み込み特徴を検出ネットワークと共有し、候補領域をほぼ費用なしで得る。

見分け方

選択肢に「領域提案ネットワーク」「RPN」があればFaster R-CNN、「R-CNNより訓練と推論が速い」「SPPnetと比較」があればFast R-CNN。

違いを表で確認

比較軸Fast R-CNNFaster R-CNN
候補領域の出し方Fast R-CNN：候補領域の計算は別の領域提案のアルゴリズムに頼るFaster R-CNN：領域提案ネットワーク（RPN）が候補領域を出す
畳み込み特徴の扱いFast R-CNN：候補領域を深い畳み込みネットワークで効率よく分類するFaster R-CNN：RPNが画像全体の畳み込み特徴を検出ネットワークと共有する
論文が課題とした点Fast R-CNN：R-CNNやSPPnetより訓練と推論を速くするFaster R-CNN：検出が速くなった結果、領域提案の計算が障害として目立つ
ネットワークの構成Fast R-CNN：検出ネットワークだけで、領域提案は別の工程Faster R-CNN：RPNとFast R-CNNを、畳み込み特徴の共有で1つのネットワークにまとめる
成績の例Fast R-CNN：VGG16でR-CNNより訓練が9倍、推論が213倍速い。SPPnetより訓練が3倍、推論が10倍速いFaster R-CNN：VGG-16で全工程込み5fps（GPU）。ILSVRCとCOCOの2015年の競技会で複数の部門の1位の入賞案の基礎になった

G検定の学習に使う書籍（Amazon）

試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

「領域提案ネットワーク」「RPN」という語が出る人

Faster R-CNNです。RPNが候補領域を出し、検出ネットワークと特徴を共有します。

02

「R-CNNより訓練が9倍、推論が213倍速い」という語が出る人

Fast R-CNNです。VGG16の比較で、R-CNNより大幅に速くなりました。

03

「候補領域の計算が処理時間の障害になる」という語が出る人

Faster R-CNNの背景です。Fast R-CNNなどで検出が速くなり、領域提案の計算が目立つようになりました。

具体例で使い分ける

例 1

選択肢に「RPNが候補領域を出す」が出る場合（架空の場面）

「領域提案ネットワークを備え、候補領域の抽出と検出で畳み込み特徴を共有する物体検出手法はどれか」という問いがあります。

  • 領域提案ネットワーク（RPN）を導入したのはFaster R-CNNです。
  • Fast R-CNNは、候補領域の計算を別のアルゴリズムに頼ります。

結論: RPNならFaster R-CNNです。

例 2

選択肢に「R-CNNより訓練と推論が速い」が出る場合（架空の場面）

「R-CNNの訓練と推論を速くし、検出精度も上げた手法はどれか」という問いがあります。

  • 論文は、VGG16の訓練がR-CNNの9倍、推論が213倍速いと述べています。
  • Faster R-CNNは、Fast R-CNNの次の段階として、領域提案の計算を改善しました。

結論: R-CNNを速くしたのはFast R-CNNです。

例 3

領域提案がボトルネックになる理由を問われる場合

検出ネットワークが速くなると、何が処理時間の中で目立つようになるかを選ぶ問いがあります。

  • Faster R-CNNの論文は、SPPnetやFast R-CNNで検出の時間が減り、領域提案の計算が障害として目立つようになったと述べます。
  • そこでRPNを導入し、領域提案をほぼ費用なしで得ます。

結論: 障害になるのは領域提案の計算で、解決策がRPNです。

問題文から答えを選ぶ手順

  1. 1

    候補領域の出し方を見る

    「領域提案ネットワーク」ならFaster R-CNN、「別の領域提案のアルゴリズム」ならFast R-CNNです。

  2. 2

    比較の相手を見る

    「R-CNN」「SPPnet」との速度の比較を挙げるのはFast R-CNNです。

  3. 3

    特徴の共有を見る

    「RPNと検出ネットワークで畳み込み特徴を共有」はFaster R-CNNです。

  4. 4

    成績の語を見る

    「5fps」「ILSVRCとCOCOの2015年の1位の入賞案の基礎」はFaster R-CNNです。

試験での見分け方

  • 1Fast R-CNNは、候補領域を深い畳み込みネットワークで効率よく分類し、R-CNNやSPPnetより訓練と推論が速い。
  • 2Fast R-CNNは、候補領域の計算を別の領域提案のアルゴリズムに頼る。
  • 3Faster R-CNNは、領域提案ネットワーク（RPN）が画像全体の畳み込み特徴を検出ネットワークと共有し、候補領域をほぼ費用なしで得る。
  • 4Faster R-CNNは、RPNとFast R-CNNを1つのネットワークにまとめ、VGG-16で全工程込み5fps（GPU）を得た。

誤答しやすい選択肢

Fast R-CNNも領域提案ネットワークを持つと考える

修正: 領域提案ネットワーク（RPN）を導入したのはFaster R-CNNです。Fast R-CNNは候補領域の計算を別のアルゴリズムに頼ります。

Faster R-CNNは候補領域を使わない一段階の手法と考える

修正: Faster R-CNNは、RPNが候補領域を出し、Fast R-CNNが検出に使う二段階の構成です。一段階の手法はYOLOやSSDです。

Faster R-CNNはFast R-CNNを使わない別物と考える

修正: RPNが出した提案をFast R-CNNが検出に使います。両者は畳み込み特徴の共有で1つのネットワークにまとめられます。

確認問題

Q1領域提案ネットワーク（RPN）を導入し、候補領域をほぼ費用なしで得る手法は？

答え: Faster R-CNN

RPNは画像全体の畳み込み特徴を検出ネットワークと共有します。

Q2VGG16の訓練がR-CNNの9倍、推論が213倍速い手法は？

答え: Fast R-CNN

Fast R-CNNの論文が述べる成績です。SPPnetと比べても訓練が3倍、推論が10倍速くなりました。

Q3Faster R-CNNの論文が、導入の動機として挙げた課題は？

答え: 検出が速くなった結果、領域提案の計算が障害として目立つこと

SPPnetやFast R-CNNで検出の時間が減り、領域提案の計算が目立つようになりました。

到達チェック

  • Fast R-CNNの特徴（候補領域の分類と速度の改善）を言える
  • Faster R-CNNの特徴（RPNと特徴の共有）を言える
  • 候補領域をどこで出すかを取り違えない

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

QFast R-CNNとFaster R-CNNの違いは？

A

Fast R-CNNは候補領域の計算を別のアルゴリズムに頼ります。Faster R-CNNは領域提案ネットワーク（RPN）が候補領域を出し、検出ネットワークと画像全体の畳み込み特徴を共有します。

QRPNとは何ですか？

A

論文によると、各位置で物体の境界と物体らしさのスコアを同時に予測する完全畳み込みネットワークで、end-to-endで学習します。

QFast R-CNNはR-CNNよりどのくらい速いのですか？

A

論文は、VGG16の訓練がR-CNNの9倍、テスト時が213倍速いと述べています。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）