メインコンテンツへスキップ
見出し画像
Photo bydreamy_boar9935

G検定#21|AIはどのように猫を見分ける?研究者が挑んだ画像認識

    皆さん、ご安全に!! 技術屋たかちゃんです。

    スマートフォンで猫の写真を撮る。画面には、ふわふわした毛並み、大きな目、ピンと立った耳が映っている。

    人間なら一瞬で「猫だ」と分かります。

    では、AIはどうでしょう。

    コンピューターの中に、小さな目があって写真を眺めているわけではありません。画像を数字の集まりとして読み込み、その中から特徴を探し出しています。

    どうやって数字の集まりから猫を見つけるのか。

    今回のG検定学習では、画像認識を支えるCNN(畳み込みニューラルネットワーク)と、学習用の画像を増やすデータ拡張について調べてみます。

    人間の視覚をヒントに生まれたCNN

    画像を拡大すると、小さな点が規則正しく並んでいます。この点がピクセル(画素)です。

    コンピューターは、それぞれのピクセルが持つ色や明るさを数値として処理します。

    しかし、数字を並べただけでは猫と犬を区別できません。画像の中から、耳の形、輪郭、模様などの特徴を取り出す仕組みが必要です。

    そこで活躍するのがCNNです。

    CNNには、主に二つの特徴的な処理があります。

    • 畳み込み層:画像の一部分を調べ、線や輪郭、模様などの特徴を抽出する。

    • プーリング層:特徴情報を圧縮し、画像内の位置のずれなどによる影響を抑える。

    例えば、最初の層では縦線や横線を検出し、深い層では目や耳の形、さらに複雑な特徴の組み合わせを学習していきます。

    CNNの設計には、人間や動物の視覚野に関する研究が影響しています。特に、神経細胞が線や形に反応する仕組みが参考になりました。

    CNNの原型を生んだ日本人研究者

    画像認識の歴史を調べると、日本人研究者の名前が登場します。

    相棒のAI(アイ)君が調べたところでは、福島邦彦氏が1979年に国際会議で発表し、1980年に学術誌で論文を公表した「ネオコグニトロン」は、現在のCNNの先駆的モデルとして知られているそうです。

    このモデルには、S細胞とC細胞という二つの仕組みが組み込まれていたそうです。

    S細胞は画像の特徴を検出し、C細胞は位置のずれなどによる影響を抑える役割を担っていたそうです。

    当時のネオコグニトロンは、教師なし学習によって特徴を獲得する仕組みです。

    その後、1998年にはヤン・ルカン氏らによるLeNetが論文で紹介されました。

    手書き数字の認識に使われたモデルです。畳み込み層とサブサンプリング層を組み合わせ、誤差逆伝播法によってネットワークの重みを調整する構造を採用していたそうです。

    誤差逆伝播法とは、AIの予測と正解のずれを後ろから伝え、内部の数値を調整する学習方法です。

    現在のCNNにつながる基本的な構造が、この時代に発展していきました。

    なお、ネオコグニトロンに後年導入されたAdd-if-silentという学習規則を、1980年の初期モデルの学習方法として説明するのは正確ではありません。ここは区別して覚えておきたいところです。

    画像認識には4つのタスクがある

    画像認識と聞くと、写真を見て「犬」「猫」と答える仕組みを想像します。

    実際には、AIに何を判定させるかによって、処理方法が変わります。

    ① 物体認識(画像分類)タスク

    写真全体を見て、何が写っているかを判定します。

    犬の写真なら「犬」、自動車なら「自動車」。画像に名前を付ける仕事です。

    ② 物体検出タスク

    何が写っているかに加え、その場所も特定します。

    犬と猫が写っていれば、それぞれを四角い枠で囲みます。この枠をバウンディングボックスと呼びます。

    自動運転車が歩行者や自転車を検出する技術にも利用されています。

    ③ セグメンテーション・タスク

    画像をピクセル単位で分類します。

    道路の写真なら、道路、歩道、車、建物などを、それぞれの領域に分けて認識します。

    ④ 姿勢推定タスク

    人物の肩、肘、手首、腰、膝などの関節位置を検出し、骨格のようにつなぎます。

    スポーツの動作解析やリハビリテーションなどに活用されています。

    同じ写真でも、AIに何を調べさせるかによって、答えの出し方が違います。

    写真が足りない!そこでデータ拡張

    ここからが、今回の学習で面白いところです。

    AIの画像認識では、大量の学習データが必要になります。

    例えば、猫を認識するAIを作るとします。

    正面を向いた猫の写真ばかりで学習させたら、横向きの猫や暗い場所にいる猫を正しく認識できるでしょうか。

    学習データには限りがあります。珍しい角度や照明条件の写真を集めるには、撮影にも時間と費用がかかります。

    そこで登場するのが、データ拡張(Data Augmentation)です。

    元の画像に加工を加え、学習に使える画像のバリエーションを増やす方法です。

    代表的な手法を見てみましょう。

    ① 画像を加工する

    画像を回転させたり、左右反転させたり、明るさを変えたりします。

    同じ猫でも、向きや明るさが変われば、異なる条件の学習データになります。

    ② 画像の一部を隠す

    画像の一部分を黒く塗りつぶしたり、ランダムな値に置き換えたりします。

    猫の顔の一部が隠れていても、残った特徴から認識できるように学習させます。

    ③ 画像を混ぜる

    代表的な手法がMixupとCutMixです。

    Mixupは2枚の画像を一定の割合で混ぜ合わせる方法です。

    CutMixは、片方の画像の一部分を切り取り、もう片方の画像に貼り付けます。貼り付けた面積に応じて正解ラベルも調整します。

    ④ 変換方法を自動で組み合わせる

    RandAugmentは、画像に加える変換の種類や強さを効率よく設定する手法です。

    人間が一つずつ条件を調整する手間を減らせます。

    画像を加工すれば何でもよいわけではありません。

    例えば、手書き数字の「6」を180度回転させると「9」に見えてしまいます。

    正解が変わるような加工をすれば、AIは間違った答えを学習します。

    データ拡張では、元の画像が持つ意味を壊さない工夫が必要です。

    AIに何を経験させるか

    今回の学習で僕が興味を持ったのは、データ拡張の考え方です。

    AIの性能を高めるために、必ずしも新しい写真を撮影し続ける必要はありません。手元にあるデータを加工し、現実に起こり得る条件の違いを学習させる方法があります。

    これは製造現場の画像検査にも関係します。

    工場の検査カメラを想像してください。

    照明の明るさが変わる。製品の位置が少しずれる。表面に油や汚れが付着する。

    機械が動く音の中、ベルトコンベヤーの上を製品が流れていきます。検査カメラは、その一瞬を切り取ります。

    人間の検査員なら経験で判断できる場面でも、AIには学習したことのない条件かもしれません。

    データ拡張を使えば、こうした条件の変化を想定した学習データを作れます。

    ただ、微細な傷や異物を検出する検査では、画像加工によって肝心の特徴を消してしまう危険もあります。検査目的に合ったデータ設計が欠かせません。

    僕は、AIの能力を考えるとき、アルゴリズムの性能だけを見ていてはいけないと思っています。

    どんなデータを集め、どんな条件を想定し、何を正解とするのか。

    AIの学習環境を設計する人間の仕事は、まだまだ残っています。

    AIは、与えられたデータから世界を学習します。

    そのデータの中に、工場の明るさや製品の汚れ、カメラのわずかな位置ずれまで含まれているか。画像認識の精度を左右するのは、そんな地道な準備なのだと思います。

    技術屋たかちゃんでした。ご安全に!!


    G検定 連載
    前回:

    次回:

    目次(マガジン):



    G検定重要用語集:

    1. CNN(畳み込みニューラルネットワーク)の基礎

    ① CNN(Convolutional Neural Network)

    画像認識に広く使われるニューラルネットワーク。画像の局所的な特徴を畳み込み処理で抽出し、線や輪郭から複雑な形状まで段階的に学習する。画像内の空間的な情報を扱うことに適している。

    ② ピクセル(Pixel・画素)

    デジタル画像を構成する最小単位。各ピクセルは色や明るさを数値で表現する。カラー画像では一般にRGB(赤・緑・青)の3つの値で色情報を表し、AIはこれらの数値を入力として画像を処理する。

    ③ 畳み込み層(Convolutional Layer)

    フィルター(カーネル)を画像上で移動させながら計算し、輪郭や模様などの特徴を抽出する層。浅い層では単純な特徴、深い層では複雑な特徴を学習する。CNNの中心的な構成要素である。

    ④ フィルター(Filter・カーネル)

    画像の一部分に適用する小さな数値配列。画像上を移動しながら積和演算を行い、特定の特徴を検出する。学習によってフィルターの数値が調整され、線や輪郭などを自動的に捉える。

    ⑤ 特徴マップ(Feature Map)

    畳み込み処理によって生成される特徴情報の配列。フィルターが画像のどの位置で反応したかを表す。CNNでは複数の特徴マップを生成し、それらを組み合わせて画像の特徴を学習する。

    ⑥ プーリング層(Pooling Layer)

    特徴マップの情報を縮小する層。代表的な方法に最大値を取り出すMax Poolingがある。画像の位置ずれなどに対する頑健性を高め、計算量を減らす効果がある。

    ⑦ Max Pooling(最大値プーリング)

    画像の一定領域から最大値を取り出し、新しい特徴マップを作る処理。例えば2×2の領域から最大値を1つ選ぶ。特徴の強い部分を残しながら、データ量を削減する。

    ⑧ サブサンプリング(Subsampling)

    画像や特徴マップの情報量を減らし、より小さな表現にする処理。ネオコグニトロンやLeNetなどで使われた。現代のCNNではプーリングなどが代表的な縮小処理にあたる。

    ⑨ 畳み込み演算(Convolution)

    フィルターを入力画像の各位置に適用し、対応する数値同士の積和を計算する処理。画像の局所的な特徴を抽出するために使われる。CNNでは学習によってフィルターの値を最適化する。

    2. CNNの歴史と学習方法

    ⑩ ネオコグニトロン(Neocognitron)

    福島邦彦氏が1979年に発表した、階層型の画像認識モデル。S細胞による特徴抽出とC細胞による位置ずれへの対応を組み合わせた。現在のCNNの先駆的なモデルとして知られている。

    ⑪ S細胞(Simple Cell)

    ネオコグニトロンを構成する細胞モデル。画像の局所的な特徴を検出する役割を持つ。特定の方向の線や形状などに反応する仕組みで、CNNにおける特徴抽出の考え方につながっている。

    ⑫ C細胞(Complex Cell)

    ネオコグニトロンを構成する細胞モデル。S細胞が検出した特徴を統合し、位置のずれなどに対する影響を抑える役割を持つ。画像認識における位置不変性の考え方に関係する。

    ⑬ LeNet

    ヤン・ルカン氏らが1998年に発表したCNNモデル。手書き数字の認識を目的とし、畳み込み層とサブサンプリング層を組み合わせている。誤差逆伝播法による学習を採用した初期の代表的なCNNである。

    ⑭ 教師なし学習(Unsupervised Learning)

    正解ラベルが付いていないデータから、AIが特徴や構造を学習する方法。データの分類やグループ化、特徴表現の獲得などに利用される。初期のネオコグニトロンの特徴学習にも関係する。

    ⑮ 誤差逆伝播法(Backpropagation)

    ニューラルネットワークの出力と正解の誤差を、出力層から入力側へ逆向きに伝え、各層の重みを調整するための勾配を計算する方法。勾配降下法などの最適化手法と組み合わせて学習する。

    ⑯ 重み(Weight)

    ニューラルネットワークの各接続に設定される数値。入力情報が出力に与える影響の大きさを決める。学習では誤差逆伝播法などで勾配を計算し、最適化手法によって重みを更新する。

    3. 画像認識の代表的なタスク

    ⑰ 画像分類(Image Classification)

    画像全体に何が写っているかを判定する技術。例えば、入力された写真を「猫」「犬」「自動車」などのカテゴリーに分類する。基本的には画像単位でクラスを予測する。

    ⑱ 物体検出(Object Detection)

    画像内に存在する物体の種類と位置を同時に特定する技術。物体をバウンディングボックスと呼ばれる四角い枠で囲み、クラスと位置を予測する。自動運転や監視システムなどに使われる。

    ⑲ バウンディングボックス(Bounding Box)

    画像内の物体を囲む長方形の枠。一般に左上と右下の座標などで位置と大きさを表す。物体検出では、検出対象の位置を示すために使用される。

    ⑳ セグメンテーション(Segmentation)

    画像をピクセル単位で分類し、それぞれの領域を識別する技術。道路、歩道、車、人などを画素ごとに区別する。画像分類や物体検出よりも細かな領域情報を取得できる。

    ㉑ セマンティックセグメンテーション(Semantic Segmentation)

    画像内の各ピクセルに「道路」「人」「建物」などのクラスを割り当てる技術。同じ種類の物体は同じクラスとして扱い、個体ごとの区別は行わない。自動運転などで利用される。

    ㉒ インスタンスセグメンテーション(Instance Segmentation)

    同じクラスに属する物体でも、個体ごとに区別して領域を認識する技術。例えば、画像内に3匹の猫がいれば、それぞれを別の個体として識別する。物体検出と領域分割を組み合わせた技術である。

    ㉓ 姿勢推定(Pose Estimation)

    画像や映像から人体などの関節位置を推定し、身体の姿勢を認識する技術。肩、肘、手首、膝などのキーポイントを検出する。スポーツ解析、リハビリテーション、動作認識などに利用される。

    ㉔ キーポイント(Keypoint)

    姿勢推定などで検出する重要な特徴点。人体の場合、肩、肘、手首、腰、膝などの位置が該当する。複数のキーポイントを線で結ぶことで、骨格や動作を表現できる。

    4. データ拡張(Data Augmentation)

    ㉕ データ拡張(Data Augmentation)

    元の学習データに変換や加工を加え、学習に利用できるデータのバリエーションを増やす手法。回転、反転、明るさ変更などが代表例。過学習を抑え、未知のデータへの汎化性能を高める効果が期待できる。

    ㉖ 水平反転(Horizontal Flip)

    画像を左右反対に反転させるデータ拡張手法。左右の向きが変わっても対象物を認識できるように学習させる。文字や左右の意味が重要な画像では、反転によって正解が変わらないか注意が必要。

    ㉗ 回転(Rotation)

    画像を一定の角度だけ回転させるデータ拡張手法。対象物の向きが変化しても認識できるように学習させる。回転によって画像の意味や正解ラベルが変わらない範囲で使用する。

    ㉘ Random Erasing(ランダム消去)

    画像の一部分をランダムに選び、矩形領域を消去または一定の値で置き換えるデータ拡張手法。対象物の一部が隠れた状況でも認識できるように学習させ、過学習の抑制を狙う。

    ㉙ Mixup

    2枚の画像を一定の割合で混合し、正解ラベルも同じ割合で混合するデータ拡張手法。学習データの境界を滑らかにし、過学習を抑える効果が期待できる。画像分類などで利用される。

    ㉚ CutMix

    一方の画像から矩形領域を切り取り、もう一方の画像に貼り付けるデータ拡張手法。貼り付けた領域の面積に応じて正解ラベルも調整する。画像の一部に注目しながら学習する効果が期待できる。

    ㉛ RandAugment

    複数の画像変換手法から適用する処理を選び、その強さを設定するデータ拡張手法。変換の組み合わせを効率よく決められるため、データ拡張の設定にかかる手間を減らせる。

    ㉜ 汎化性能(Generalization Performance)

    学習に使用していない未知のデータに対して、AIがどれだけ正しく予測できるかを示す能力。学習データだけで高い精度を出しても、未知のデータで精度が低ければ汎化性能は低い。

    ㉝ 過学習(Overfitting)

    AIが学習データに過度に適応し、学習データでは高い精度を出す一方、未知のデータでは予測精度が低下する現象。データ拡張、正則化、早期終了などで抑制する方法がある。



     
     
    ご安全に!技術屋たかちゃんです! 「これって実際どうなの?」という日常の疑問を、エンジニアの視点で相棒のAI(アイ)君と一緒に調べて、3つのテーマ(AI、安全、暮らしの技術) をわかりやすく解説しています。技術や社会の仕組みを知ると世の中の見え方が少し変わるかもしれません。

    あなたへのおすすめ