CNNについて

masa@社会人学生

2025年6月2日 13:12

はじめに

本日は授業でCNNについて学んだのでアウトプットします。

「ディープラーニング」と「ニューラルネットワーク」って何？

ディープラーニングはAIの技術の1つで、「ニューラルネットワーク」という仕組みを「深くしたもの」なんです。

「ニューラルネットワーク」は、人間の脳の神経回路を真似て作られたAIの基本形で情報を何層も順番に処理していきます。

その層を深くして、もっと複雑なこともできるようにしたのが、「ディープラーニング」というわけです。

だから、 ディープラーニング＝深く進化したニューラルネットワーク となります。

なぜ画像認識に「CNN」が大事なの？

画像はタテ・ヨコ・色（奥行き）がある「3次元データ」です。これを、ただ並んだ「1次元データ」にしちゃうと、困ったことが起きるんです。

【困る理由その1】ご近所関係がバラバラに！
画像では、隣り合うピクセル同士は意味があります（例えば、輪郭とか）。でも、1次元に並べちゃうと、元々近かったピクセルが遠く離れて、ご近所関係がめちゃくちゃに。すると、AIは「これは目だ」「これは鼻だ」みたいに、物の形やパターンをうまく見つけられなくなります。

【困る理由その2】覚えることが多すぎる！
画像を1次元にすると、データの数がものすごく大きくなります。それを全部覚えるには、AIがとんでもない数の情報を記憶しないといけません。すごく大変だし、違うデータが来ると間違え（「過学習」といいます）の可能性が高くなります。

だから、従来のAI（ニューラルネットワーク）では、画像の中身をうまく識別できなかったんです。

そこで登場するのが「CNN」！

CNN（畳み込みニューラルネットワーク）は、この問題を解決するために生まれました。

CNNってどんな「層」でできてるの？

CNN（畳み込みニューラルネットワーク）は、主に5つの役割を持つ「層」と「活性化関数」というパーツが組み合わさってできています。

それぞれの層の役割を見ていきましょう！

入力層
- AIに認識させたい「画像」を取り込む入口です。
- 画像の色や明るさの数字情報を次の層へ渡します。
畳み込み層
- 画像の中から「特徴点」（エッジ、角、模様など）を見つけ出す、CNNの心臓部！
- 「フィルター」という小さなレンズを使って、画像をなぞるように特徴を探します。
プーリング層
- 抽出された特徴の「要点」だけを残して、データのサイズを小さくします。
- これのおかげで、画像が少しズレても同じものだと認識できるようになります（ロバスト性）。
全結合層
- これまでの層で見つけた全ての「特徴」を組み合わせて、「これは何？」という最終的な判断の「手がかり」を作ります。
出力層
- 全ての情報を元に、AIが「これは〇〇だ！」と最終的な判断を下す出口です。

「VGG16」と「ResNet」

ディープラーニングの世界には、たくさんのAIモデルがあります。その中でも特に有名な、画像認識の性能を大きく向上させた「VGG16」と「ResNet」

1. シンプルな積み重ねの力「VGG16」

VGG16は、その名の通り「16層」からなるAIモデルです。

どんな特徴？
- ほとんどが「3x3」という同じサイズの小さなフィルター（畳み込み層）を何回も重ねて使っています。
- 途中途中で「プーリング層」を挟んで、少しずつ画像のサイズを小さくしながら、深く情報を掘り下げていきます。
- シンプルだから、AIがどういう判断をしているか比較的理解しやすいです。
得意なこと
- 高い画像認識精度を出しました。
- 他の画像認識AIの土台（「転移学習」の元モデル）として、今でもよく使われます。
ちょっと苦手なこと
- 層が深い分、覚えるパラメータ（重み）の数がものすごく多くて、計算に時間がかかりがちです。

2. 深さの限界を突破「ResNet」（特にResNet-50、ResNet-152）

VGG16のように層を深くすると、AIの性能がむしろ悪くなる「深層化の壁」がありました。この壁を打ち破ったのが「ResNet」です！

どんな特徴？
- VGG16よりもはるかに深い「50層」や「152層」といったモデルがあります。
- 最大の秘密は「スキップ接続（Residual Connection）」という特別なワープ通路があること！
  - これは、情報の一部を次の次の層へ「ワープ」させるような仕組みです。
  - これにより、深い層でも前の層の情報を忘れずに、効率よく学習できるようになりました。
得意なこと
- より深い層で、複雑で抽象的な特徴を学習できます。
- 計算効率もVGG16より良いことが多いです。
- 多くの画像認識コンテストでトップクラスの性能を出しています。
ResNet-50とResNet-152の違い
- 数字は層の数を表します。ResNet-152の方がより深く、複雑な特徴を捉えることができますが、その分、計算量やモデルの大きさも増えます。ResNet-50はバランスが良く、幅広く使われています。

まとめ

VGG16: シンプルな構造を深く重ねることで、画像の基本的な特徴をしっかり捉える。
ResNet: 「スキップ接続」で深層化の壁を乗り越え、さらに深く、より複雑な特徴を効率的に学習する。