【要約】CNN って結局何？画像認識AIのしくみを"虫眼鏡で絵を見て回る"でやさしく解説します [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
従来の多層パーセプトロン（MLP）を用いて画像認識を行う際、データの構造的特徴を維持できないという問題に直面する。画像データを1次元の数値列として扱うことで、以下の弊害が生じる。
- ・画像の縦・横の位置関係が消失する。
- ・ピクセル間の空間的な相関関係が破壊される。
- ・物体の輪郭やパーツの配置といった重要な情報が扱えなくなる。
// Approach
CNNは、人間の視覚的な動きを模倣した「局所的な特徴抽出」を採用することで、この問題を解決している。画像全体を一気に処理せず、以下のステップで構造を捉える。
- ・畳み込み層（Conv）: フィルタ（虫眼鏡）を画像上で滑らせ、局所的なパターンを抽出する。
- ・プーリング層（Pool）: 画像を縮小・要約し、計算量の削減と位置のズレへの耐性を獲得する。
- ・全結合層（FC）: 抽出された特徴を統合し、最終的なクラス分類を行う。
// Result
CNNの導入により、コンピュータは画像内の構造的な情報を保持したまま、高度な認識が可能となった。この技術は、以下のような多様な実務領域で成果を上げている。
- ・医療分野: X線やCT画像からの異常検知。
- ・製造業: 工場における製品の外観検査の自動化。
- ・自動運転: 信号や歩行者、車線のリアルタイム認識。
- ・モバイル端末: 顔認証や写真の自動分類機能。
Senior Engineer Insight
> 本記事は概念の抽象化に優れている。実務においては、フィルタサイズやストライド、パディングの設計が、推論レイテンシと精度に直結する。特にエッジデバイスへの実装を考慮する場合、プーリングによる計算量削減の重要性は極めて高い。また、層を深くする際は、バッチ正規化やスキップ接続による勾配消失対策が必須となる。理論と実装の橋渡しとして、非常に有用な視点を提供している。