CNNとは？畳み込みニューラルネットワークの仕組みと応用

CNN（Convolutional Neural Network）は畳み込みニューラルネットワークと呼ばれ、画像処理に特化したディープラーニングの手法です。人間の視覚野の仕組みにヒントを得て設計されており、画像の特徴を階層的に学習します。

通常のニューラルネットワーク（全結合層）は入力の全てのピクセルを個別に扱いますが、CNNはフィルタ（カーネル）を使って画像の局所的なパターンを検出します。これによりパラメータ数が大幅に削減され、位置が少しずれても同じ特徴を検出できるという利点があります。

小さなフィルタ（例：3×3のマス）を画像上でスライドさせながら、フィルタの値と画像のピクセル値を掛け合わせて足し算する操作です。このフィルタが「エッジ」や「角」などの特徴を検出するフィルタになるよう学習が進みます。

浅い層ではエッジや色などの単純な特徴を検出し、深い層に進むほど目や耳などの部品、さらに顔全体といった高度な特徴を学習します。この階層的な特徴抽出がCNNの本質で、人間の視覚処理に似た仕組みです。

主に3つの層があります。畳み込み層でフィルタを使って特徴マップを生成。プーリング層で特徴マップのサイズを縮小して計算量を減らし位置ずれに強くする。最後に全結合層で抽出された特徴から分類を行います。これらを何層も積み重ねます。

Max Poolingは領域内の最大値を取る方法で、最も一般的です。Average Poolingは平均値を取ります。例えば2×2のMax Poolingは、2×2の領域から最大値を1つ選んで出力するので、サイズが縦横半分になります。最近はGlobal Average Poolingで全結合層を置き換える設計も多いです。

歴史的に重要なモデルがいくつかあります。AlexNet（2012年）はディープラーニングブームの火付け役。VGGはシンプルな構造で理解しやすい。ResNetはスキップ接続で100層以上の深いネットワークを実現しました。最近ではEfficientNetが効率と精度のバランスに優れています。

Vision Transformer（ViT）が台頭していますが、CNNは今でも広く使われています。特にエッジデバイスやリアルタイム処理ではCNNの軽量さが有利です。またConvNeXtのようにCNNの設計をTransformer時代のテクニックで更新したモデルも登場し、ViTに匹敵する性能を出しています。