どうも、とがみんです。
この記事では、画像認識で圧倒的な成果を挙げてきた、畳み込みニューラルネットワーク の仕組みについて紹介していきます。
Contents
畳み込みニューラルネットワークとは?
畳み込みニューラルネットワーク(Convolutional Neural Network)は、ニューラルネットワークの中間層に、
「畳み込み層」と「プーリング層」を配置したニューラルネットワーク で、
主に画像認識によく使われます。
- 画像に含まれる物、人などの検知とラベル付け
- 音声のテキスト変換
- 自動車の自動運転技術における道路把握、障害物検知
等、幅広い応用例があります。
通常(全結合)のニューラルネットワークでは1次元の情報しか汲み取れなかったのに対し、畳み込みニューラルネットワークは3次元の空間的な情報も汲み取ることができます。
次に、畳み込みニューラルネットワークの仕組みについて紹介していきます。
畳み込みニューラルネットワークの仕組み
畳み込みニューラルネットワークの仕組みについて紹介していきます。
畳み込みニューラルネットワークの全体構造
畳み込みニューラルネットワークの仕組みの全体像は、以下の図のように、「畳み込み層」、「プーリング層」、「全結合層」で構成されます。
「畳み込み層」と、「プーリング層」の仕組みについて紹介していきます。
畳み込み層の仕組み
畳み込み層は、入力画像に対してフィルタと呼ばれる2次元の重み信号を用いた畳み込み演算を行う層です。
フィルタを次々とスライドさせて畳み込みの計算を行い、特徴マップを作成します。
プーリング層では、畳み込み層から受け取った特徴マップに対して、最大値や平均値を取ることで、重要な特徴を残してデータを圧縮します。
プーリング層の結果は、1次元データに変更され、全結合層へと渡されます。
全結合層の結果が活性化関数で変換されて、出力層に渡され、
出力層の活性化関数によって、値が変換され、最終的な出力結果を得ます。
畳み込みニューラルネットワークは、特徴量をピクセル単位ではなく、領域単位で抽出するため、位置のずれ、見え方によるずれを小さくすることができます。
パディングの仕組み
上記のように、畳み込み層とプーリング層で特徴量を抽出していくと、データのサイズが元のサイズよりも小さくなっていってしまいます。
データのサイズを保ちたい場合は、特徴量の周りをゼロで埋める「ゼロパディング」と呼ばれる手法を用います。
これにより、
- 端のデータに対する畳み込み回数が増えるので、端の特徴も考慮されるようになる。
- データのサイズを保つことができるので、層の数を調整できる。
といったメリットがあります。
畳み込みニューラルネットワークの学習
以下の記事で、ニューラルネットワークの学習の仕組みを紹介しました。
畳み込みニューラルネットワークの学習も仕組みは同じです。
出力層で得られた結果と、正解データを比較し、誤差関数を用いて誤差を計算します。
その誤差が最小になるように、「フィルタ」のパラメータを更新していきます。
畳み込み層では、「フィルタ」のパラメータが重みパラメータにあたります。
まとめ
畳み込みニューラルネットワークについて説明しました。
畳み込みニューラルネットワークには、畳み込み層とプーリング層が中間層に導入され、
これらによって、位置のずれや見え方の違いによるずれを小さくしてくれ、画像認識の分野で広く応用されています。
参考文献
