畳み込みニューラルネットワーク（畳み込み、プーリング、全結合）

徹底解説 AIを理解するためのディープラーニング：畳み込みとプーリング

G検定などのAI学習で必ず登場するCNN（畳み込みニューラルネットワーク）。数式や計算手順は学んだけれど、「結局どうやって犬や猫を見分けているの？」というイメージが湧きにくいという方も多いのではないでしょうか。

この記事では、畳み込みとプーリングの計算の意味を、「具体的な図形や動物のパーツ」に例えてわかりやすく解説します。

この記事のポイント

• 畳み込み：画像の中から「特定のカタチ（パーツ）」を探し出す処理
• プーリング：パーツが「少しズレていてもOK」にする処理
• 層を重ねることで、「線」→「目・耳」→「猫」と理解が深まる

1. 畳み込みの正体は「パーツ探し」

畳み込み計算で登場する「フィルター（カーネル）」は、一言で言うと「探したい形の型抜き」のようなものです。

例えば、手書きの「7」という数字を認識させたいとします。「7」は「ー（横棒）」と「／（斜め線）」と「90度の角」で構成されています。CNNは学習を通して、自動的に次のようなフィルターを作り出します。

• フィルターA：「ー（横棒）」に反応するフィルター
• フィルターB：「／（斜め線）」に反応するフィルター
• フィルターC：「角（カド）」に反応するフィルター

これらを画像の上でスライドさせることで、「ここに横棒がある！」「ここに角がある！」という発見（特徴抽出）を行っているのです。

【図解】「斜め線」を見つける仕組み

前回の計算式を「形」として捉え直してみましょう。画像の中に「斜め線（＼）」がある場合、同じ形のフィルターを通すとどうなるでしょうか。

このように、「画像にある形」と「フィルターの形」が一致すると、掛け算の結果が大きくなります（ニューロンが発火する）。

逆に、画像が「横線」なのに「斜め線フィルター」を当てても、形が合わないため結果は「0」に近くなります。

つまり畳み込み層とは、大量のフィルターを使って「この画像には、どこに斜め線があり、どこに角があるか？」というパーツの地図（特徴マップ）を作っているのです。

2. 犬や猫はどうやって認識する？（層の深さと特徴）

では、ただの「線」や「角」を見つけるだけで、なぜ複雑な「猫」などがわかるのでしょうか。ここで重要になるのが「ディープ（層が深い）」という点です。

CNNは何層にも重なってできており、奥の層に行くほど「組み合わせ」を見ていきます。

【第1段階：浅い層】単純な形を見つける

「縦線」「横線」「斜め線」などの単純なエッジを検出します。
（生物の脳でいうと「単純型細胞」の働き）

【第2段階：中間の層】パーツを見つける

第1段階で見つけた線を組み合わせて、「尖った形（耳）」「丸い形（目）」「独特のカーブ（鼻）」などを検出します。

【第3段階：深い層】物体全体を見つける

「尖った耳」＋「丸い目」＋「ヒゲ」＝「これは猫だ！」と判断します。
もし「垂れた耳」＋「長い鼻」なら「犬」と判断します。

このように、単純な図形の発見を積み重ねていくことで、最終的に複雑な物体を認識しているのです。

3. プーリングは「だいたい合ってればOK」にする処理

次にプーリング層の役割です。これは画像の情報を圧縮する処理ですが、同時に「位置のズレを許容する」という重要な役割があります。

例えば、猫の写真を撮るとき、猫が画像の「真ん中」にいることもあれば、少し「右端」にいることもありますよね。

• プーリングがない場合：
  「右に1cmズレているから、これはさっき学習した猫とは別物だ！」と判定してしまう可能性があります。
• プーリングがある場合（Maxプーリング）：
  「このエリア（例えば2×2マス）の中に、猫の耳っぽい特徴（最大値）があればOK！」という処理をします。

このように、特徴（値「7」）が枠内のどこにあっても、プーリング後には同じ「7」として出力されます。これにより、「だいたいこの辺に耳があれば猫」という、柔軟な認識が可能になるのです。
（生物の脳でいうと、空間的な位置ズレを吸収する「複雑型細胞」の働きに似ています）

まとめ：G検定攻略の視点

計算式だけでなく、それぞれの「役割」をイメージしておくと理解が早まります。

• 畳み込み層 = 「虫眼鏡」
  画像の中から「特定のパーツ（線や角など）」を見つけ出す。
• プーリング層 = 「要約」
  細かい位置の違いを無視して、「重要な特徴があるかどうか」だけを残す。

PICK UP

G検定はUdemy併用がおすすめ！重要キーワードを効率的に理解して一発合格しよう！

Udemyで時間を買おう！

記事を読む