畳み込みニューラルネットワーク（CNN）

畳み込みニューラルネットワーク（CNN）は、画像など、グリッド状のトポロジーを持つデータを処理するのに非常に効果的な、特殊なタイプのニューラルネットワーク（NN）です。人間の視覚皮質に触発されたCNNは、入力データから特徴の空間的階層を自動的かつ適応的に学習します。これにより、画像分類から物体検出まで、あらゆる分野で最先端の結果を達成しており、最新のコンピュータビジョン（CV）タスクのほとんどの基盤となるアーキテクチャとなっています。

CNNの仕組み

ある層のすべてのニューロンが次の層のすべてのニューロンに接続されている標準的なニューラルネットワークとは異なり、CNNは畳み込みと呼ばれる特別な数学的演算を使用します。これにより、ネットワークは局所的な受容野で特徴を学習し、ピクセル間の空間的関係を保持できます。

一般的なCNNアーキテクチャは、いくつかの主要なレイヤーで構成されています。

1. 畳み込み層: これは、フィルター（またはカーネル）が入力画像をスライドして特徴マップを生成する、コアとなる構成要素です。これらのマップは、エッジ、コーナー、テクスチャなどのパターンを強調表示します。これらのフィルターのサイズと検出するパターンは、モデルの学習中に学習されます。
2. 活性化レイヤー: 各畳み込みの後、非線形性を導入するためにReLUのような活性化関数が適用され、モデルがより複雑なパターンを学習できるようになります。
3. プーリング（ダウンサンプリング）層: この層は、特徴マップの空間次元（幅と高さ）を縮小し、計算負荷を軽減するとともに、検出された特徴の位置や向きの変化に対するロバスト性を高めます。このトピックに関する古典的な論文は、ImageNet Classification with Deep Convolutional Neural Networksです。
4. 全結合層: いくつかの畳み込み層とプーリング層の後、高レベルの特徴量は平坦化され、全結合層に渡されます。全結合層は、学習された特徴に基づいて分類を実行します。

CNNと他のアーキテクチャの比較

CNNは深層学習モデルの一種ですが、他のアーキテクチャとは大きく異なります。

• ニューラルネットワーク（NN）: 標準的なNNは、入力データをフラットなベクトルとして扱い、すべての空間情報を失います。CNNはこの情報を保持するため、画像分析に最適です。
• Vision Transformer（ViT）：空間的な局所性に対する強い帰納的バイアスを持つCNNとは異なり、 ViT 画像をパッチのシーケンスとして扱い、使用します。 自己注意（self-attention） グローバルな関係を学習するメカニズム。ViTはトレーニングにより多くのデータを必要とすることが多いですが、長距離のコンテキストが重要なタスクで優れています。多くの最新モデル、例えば、 RT-DETR。CNN backbone Transformerベースで detection head.

実際のアプリケーション

CNNは、数え切れないほどの現実世界のアプリケーションの原動力となっています。

• 物体検出: Ultralytics YOLOファミリーのYOLOv8やYOLO11などのモデルは、CNNバックボーンを利用して、画像やビデオ内のオブジェクトを驚くべきスピードと精度で識別し、位置を特定します。この技術は、自動車におけるAIシステムからAI主導の在庫管理まで、あらゆるものに不可欠です。
• 医用画像解析：医療現場では、CNNは放射線科医を支援し、医療スキャン（X線、MRI、CT）を分析して、腫瘍、骨折、その他の異常を検出します。このアプリケーションは、米国国立衛生研究所（NIH）などの機関の研究で強調されているように、診断の速度と一貫性を向上させるのに役立ちます。詳細については、Ultralyticsによる医用画像解析をご覧ください。
• 画像セグメンテーション: 歩行者から道路を区別する必要がある自動運転車など、ピクセルレベルの理解を必要とするタスクの場合、U-NetのようなCNNベースのアーキテクチャが画像セグメンテーションに広く使用されています。

ツールとフレームワーク

CNNの開発とデプロイは、強力なツールとフレームワークによってサポートされています。

• ライブラリ: PyTorch（PyTorch公式サイトを参照）やTensorFlowのような一般的なライブラリは、CNNを構築およびトレーニングするための高レベルAPIを提供します。Kerasのような高レベルAPIは、開発をさらに簡素化します。
• プラットフォーム:Ultralytics HUBのようなプラットフォームは、データセットの管理からモデルのトレーニング、デプロイまで、プロセス全体を効率化します。効果的なモデルを作成するには、ハイパーパラメータの調整を丁寧に行い、包括的なモデルトレーニングのヒントを活用することが重要です。パフォーマンスを最適化するために、OpenVINOやTensorRTのような統合を検討できます。