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

G検定#18|AIは画像のどこを見ているのか?CNNの畳み込み層

    皆さん、ご安全に!! 技術屋たかちゃんです。

    AIに猫の写真を見せると、「これは猫です」と答えてくれます。

    ところで、AIは写真のどこを見て猫だと判断しているのでしょうか。

    最初から猫の顔全体を理解しているわけではありません。実は、画像の中にある小さな特徴を拾い集めるところから始まります。

    今回は、画像認識AIの重要な仕組みである「畳み込み層」について調べてみます。

    AIは画像を小さな部品に分けて見ている

    画像認識で活躍するのが、CNN(畳み込みニューラルネットワーク)です。

    CNNは、画像の中から特徴を取り出すための仕組みです。

    例えば猫の写真なら、最初は輪郭や線の向き、色の変化などを検出します。さらに深い層へ進むと、耳や目、鼻といった複雑な特徴を捉えるようになります。

    ここで登場するのが畳み込み層です。

    畳み込み層は、小さなフィルターを画像の上で少しずつ移動させながら計算します。

    このフィルターを「カーネル」と呼びます。

    カーネルには数値が並んでいて、画像の画素と掛け合わせ、その結果を足し合わせます。この計算によって、特定の模様や輪郭を見つけます。

    画像の上を小さな虫眼鏡が動き回っているようなイメージです。

    画像を見るときの3つの仕組み

    ここで重要になるのが、ストライド、パディング、特徴マップです。

    ストライドは、フィルターを何ピクセルずつ移動させるかを決める値です。

    移動幅を大きくすると、計算する場所が減り、出力される画像も小さくなります。

    パディングは、画像の周囲に余白を追加する処理です。画像の端にある情報を取りこぼしにくくし、出力サイズを調整できます。

    そして、計算結果として作られるのが特徴マップです。フィルターが検出した特徴を数値の集まりとして表現したものです。

    相棒のAI(アイ)君が調べたところでは、畳み込み層の特徴は、同じフィルターを画像全体で使い回す「重み共有」にあるそうです。

    これによって、画像の場所ごとに別々の重みを用意する必要がなくなり、全結合層と比べてパラメータ数を抑えやすいそうです。

    さらに広い範囲を見る工夫

    畳み込みには、少し変わった方法もあります。

    Dilated Convolutionは、フィルターの要素と要素の間に隙間を設ける方法です。

    これによって、フィルターの大きさを変えずに、広い範囲の情報を取得できます。

    Atrous Convolutionも同じ手法を指す言葉です。画像の領域を塗り分けるセグメンテーションなどで使われています。

    もう一つがDepthwise Separable Convolutionです。

    これは畳み込みを、空間方向の処理とチャンネル方向の処理に分ける方法です。

    相棒のAI(アイ)君が調べたところでは、この仕組みはMobileNetなどの軽量な画像認識モデルで利用されているそうです。

    スマートフォンのように計算能力や電力に制約がある環境では、計算量を減らす工夫が重要になります。

    技術屋の目線で考えてみる

    僕が面白いと思ったのは、CNNが画像全体を一度に理解しようとしないことです。

    小さな特徴を拾い、それを組み合わせ、徐々に複雑な情報へ変えていく。

    これは、機械設備の異常診断にも似ています。

    最初から設備全体の故障原因を判断するのではなく、振動、温度、音、電流といった個別の情報を集め、そこから異常の兆候を探します。

    AIの画像認識も、基本的な考え方は特徴の積み重ねです。

    技術を理解するときは、完成した結果だけを見るのではなく、その結果が生まれるまでの仕組みに目を向けることが大切ですね。

    今回は、画像認識AIの目の動かし方を少し理解できました。

    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:



    畳み込み層(G検定対策)

    試験対策として、各重要用語を約100字で整理します。仕組みだけでなく、ストライド・パディングによる出力サイズの変化や、全結合層との違いも押さえておきましょう。

    重要キーワード

    定義・試験対策上のポイント(約100字)

    畳み込みニューラルネットワーク(CNN)

    画像などの空間的な特徴を抽出するニューラルネットワーク。畳み込み層で局所的な特徴を検出し、プーリング層などで情報を集約する。位置関係を活用でき、画像認識や物体検出などに利用される。

    畳み込み操作

    入力データ上でフィルター(カーネル)を移動させ、対応する要素同士の積和演算を行う処理。画像のエッジや模様などの局所的な特徴を抽出する。移動幅はストライドで指定する。

    フィルタ/カーネル

    畳み込み演算に使用する小さな重み行列。入力画像上を移動しながら積和演算を行い、エッジや輪郭、模様などの特徴を検出する。学習によって重みが最適化され、複数のフィルターで異なる特徴を抽出する。

    ストライド(Stride)

    畳み込み演算でフィルターを何ピクセルずつ移動させるかを示す値。ストライドを大きくすると出力される特徴マップのサイズが小さくなり、計算量も減少する。

    パディング(Padding)

    畳み込み演算の前に入力データの周囲を0などで埋める処理。画像の端にある情報を利用しやすくし、出力サイズの縮小を抑える。出力サイズを入力と同じにする設定をSame Paddingという。

    特徴マップ(Feature Map)

    畳み込み演算によって得られる特徴を表す出力データ。フィルターごとに異なる特徴マップが生成され、エッジや模様などの情報が数値として表現される。通常、活性化関数を適用して次の層へ渡す。

    Dilated Convolution(膨張畳み込み)

    フィルターの要素間に間隔を設けて畳み込みを行う手法。パラメータ数を増やさずに受容野を広げられるため、広い範囲の情報を効率的に取得できる。画像のセグメンテーションなどに利用される。

    Atrous Convolution

    Dilated Convolutionと同じ意味で使われる畳み込み手法。フィルターの要素間隔を広げることで、特徴マップの解像度を維持しながら広い範囲の情報を取得できる。画像の領域分割などで利用される。

    Depthwise Separable Convolution(深さ方向分離畳み込み)

    畳み込みをDepthwise ConvolutionとPointwise Convolutionに分離する手法。空間方向とチャンネル方向の処理を分けることで、通常の畳み込みより計算量とパラメータ数を削減できる。MobileNetなどで利用される。

     
     
    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