第6章|ディープラーニングの応用
DAY 26 ・ 約30分画像認識の発展
LeNetからResNetまで、構造の工夫をつなげる。
LeNet、AlexNet、VGG、GoogLeNet、ResNetの工夫を、解こうとした問題と結び付けて説明し、画像分類・物体検出・セグメンテーションを区別できる。
言葉を知る
用語を暗記するだけでなく、似た概念との違いと、何を判断するための言葉かまで整理します。
LeNet
畳み込みとプーリングを重ね、手書き数字などを分類した初期の代表的CNNです。局所結合と重み共有の有効性を示しました。
AlexNet
深いCNN、大規模画像データ、GPU、ReLU、Dropout、データ拡張を組み合わせ、2012年の画像認識で大きな改善を示したモデルです。
VGG
主に3×3の小さな畳み込みを繰り返し、構造をそろえながら深くしたモデル系列です。深さの効果と計算負担を理解しやすい例です。
Inception
異なる大きさの畳み込みやプーリングを並列に処理し、1×1畳み込みで計算量を調整する構造です。
ResNet
入力を数層先へ足す残差接続により、非常に深いネットワークを学習しやすくしたモデルです。
セグメンテーション
画像の各画素へ道路、人、背景などのラベルを付ける課題です。画像全体を一分類する課題とは出力の細かさが異なります。
物体検出
物体検出は、何があるかに加えて、どこにあるかを枠で示します。
仕組みを理解する
1.画像認識は、一枚へ名前を付けるだけではない
画像分類は画像全体へ「犬」「猫」など一つまたは複数のラベルを付けます。物体検出は、何があるかに加えて、どこにあるかを枠で示します。セマンティックセグメンテーションは各画素を分類し、インスタンスセグメンテーションは同じ種類の物体も一個ずつ分けます。姿勢推定は人の関節点などを求めます。 同じ画像認識でも正解データと評価指標が違います。商品が写っているかだけなら分類で足りますが、棚のどこが空いているかを知るなら位置情報が必要です。目的より粗い課題を選べば必要な答えが出ず、細か過ぎる課題を選べば大量のラベル作成が必要になります。最初に、利用者が最終的に必要とする出力を図で決めます。
2.LeNetは、画像の近さを構造へ取り入れた
全画素を全結合層へ入れると、隣り合う画素の関係を特別扱いせず、位置ごとに大量の重みを持ちます。LeNet-5は畳み込みで局所的な特徴を拾い、サブサンプリングで小さくし、後段で分類しました。手書き数字の線や曲がりを、場所を変えても同じフィルタで調べられます。 現在のモデルより小さくても、局所結合、重み共有、階層的な特徴というCNNの中心を確認できます。初期層は線や端、後の層は線の組合せを扱います。ただし「一つのユニットが必ず目や車輪を理解する」とは限りません。特徴は複数チャンネルへ分散し、学習データと目的に合わせて形成されます。
3.AlexNetは、構造だけでなく学習環境を組み合わせた
AlexNetは2012年のImageNet分類で、それまでより大きな改善を示しました。成功の理由を「層を増やしたから」だけにしません。約120万枚規模の画像、GPUによる計算、ReLU、Dropout、画像の切り出しや左右反転などのデータ拡張を組み合わせました。モデル、データ、計算資源、学習方法が一体で働いた例です。 ReLUは正の範囲で勾配を伝えやすくし、Dropoutは全結合部の過学習を抑えます。データ拡張は想定する見え方の変化を学習へ入れます。ただし医療画像で左右を反転すると意味が変わる場合があります。過去の成功例をそのまま移すのではなく、課題で保ってよい性質を確認します。
4.VGGは、小さな畳み込みを重ねて深くした
VGGは3×3畳み込みを中心に、似た形のブロックを繰り返しました。3×3を二回重ねると5×5相当の受容野を持ちながら、間に非線形変換を入れられます。大きなフィルタ一回よりパラメータを抑えられる条件もあります。構造が規則的なため、各段の形状を追いやすいモデルです。 一方、VGG-16やVGG-19はパラメータと計算量が大きく、現在の端末へそのまま置くとは限りません。「深いほど高性能」を一般化せず、入力解像度、推論時間、メモリ、電力も測ります。VGGから学ぶのは製品選定ではなく、小さな処理の反復で受容野と表現力を広げる設計思想です。
5.Inceptionは、異なる大きさの見方を並列に持つ
画像の特徴には細い線、小さな模様、大きな形があります。Inceptionモジュールは1×1、3×3、5×5などの畳み込みとプーリングを並列に行い、結果をチャンネル方向へ結合します。一つの大きさだけへ固定せず、複数の受容野から特徴を集める考え方です。 大きな畳み込みをそのまま行うと演算が増えるため、1×1畳み込みで先にチャンネル数を減らします。1×1は空間の周囲を見ませんが、同じ位置にあるチャンネルを混ぜ、計算量を調整できます。枝を増やせば自動的に良くなるのではなく、結合後のチャンネル数と実機の並列処理効率まで確認します。
6.ResNetは、残差を学ばせて深さを使いやすくした
層を増やすと表現力は増えますが、訓練誤差まで悪化する劣化問題が起こりました。ResNetは、数層の変換F(x)へ元の入力xを足し、F(x)+xを出します。必要な変化が小さければF(x)を0へ近づければよく、情報と勾配が短い経路を通れます。 残差接続により100層を超える深いモデルも学習しやすくなりました。ただし入力と出力の形が違う場合は、1×1畳み込みなどでそろえます。接続を加えればデータ不足や誤ったラベルが直るわけではありません。深さを増やした比較では、訓練誤差、検証誤差、処理時間を分けて見ます。
7.分類から検出・領域分割へ、出力の位置を残す
分類CNNは最後に空間を大きく集約しますが、物体検出では位置を残す必要があります。検出器は画像内の候補領域や格子ごとに、種類と枠の座標を予測します。重なった複数の枠を整理する処理も必要です。セグメンテーションでは縮小して得た意味情報を、アップサンプリングなどで元の画素配置へ戻します。 小物体は縮小で消えやすく、大物体は広い受容野が必要です。そのため異なる解像度の特徴を組み合わせる設計があります。評価では分類正解率だけでなく、予測枠と正解枠の重なりや、画素領域の重なりを使います。何を一件の正解とするか、重なりのしきい値も明示します。
8.転移学習は、既に学んだ視覚特徴を再利用する
大量画像で学習済みのモデルを出発点にし、手元の課題へ調整する方法が転移学習です。初期層の線や模様は複数課題で使える場合があり、少ないデータでも一から学習するより安定しやすくなります。特徴抽出部を固定して最後の分類部だけ学ぶ方法と、全体または後半を小さな学習率で更新する方法があります。 自然画像からレントゲン、昼の道路から赤外線のように分布が遠い場合、再利用できる範囲は狭くなります。学習済みだから安全とは限らず、元データの偏りも持ち込みます。固定範囲、学習率、データ量を比較し、対象集団別の性能を測ります。
9.高精度でも、画像以外の近道を学ぶことがある
モデルは人が期待する物体ではなく、背景、透かし、撮影機器、画像の余白を手掛かりにすることがあります。病変画像の隅にある施設記号が正解と結び付いていれば、病変ではなく記号を学べます。同じ施設のテストでは高精度でも、別施設で崩れます。 対象だけを切り出す、背景を変える、記号を消す、別施設・別季節で試すなどの反例テストを行います。注目領域の可視化は調査の手掛かりですが、色が付いた場所を因果的な根拠と断定しません。性能表にはデータの取得条件と対象外条件を残します。
10.DAY 26では、モデル名を問題と工夫でつなぐ
LeNet、AlexNet、VGG、Inception、ResNetを年代だけで暗記せず、「何が難しかったか」「どの工夫を入れたか」「何が新しい負担になったか」の三列で整理します。AlexNetなら大規模学習、VGGなら規則的な深さ、Inceptionなら複数尺度と計算調整、ResNetなら深い学習の経路です。 次に同じ店舗画像について、商品種類だけなら分類、商品の位置なら検出、棚の空き面積ならセグメンテーションと選びます。入力、正解ラベル、出力、評価指標を一行ずつ書ければ、構造の歴史を目的へ結び付けて理解できています。
実例で理解する
具体例で考える
スーパーマーケットの棚画像から、品切れ箇所を担当者へ知らせる場面を考えます。目的は商品名の分類ではなく、棚のどの区画が空いているかを示すことです。画像全体を「品切れあり」と分類するだけでは場所が分からないため、商品検出または棚面のセグメンテーションを候補にします。 まず固定カメラ、撮影時刻、棚の配置、必要な通知速度を決めます。正解データには商品枠、棚区画、空き状態を付けます。作業者間で「商品が一個残っていれば品切れではないか」「奥が見えない場合はどうするか」の基準をそろえます。曖昧な画像は無理に正解へせず、判定不能ラベルを残します。 比較の基準として小さなCNNを作り、次に画像分類で学習済みのResNetを特徴抽出へ使います。前半を固定して後半だけ学習する設定、全体を小さな学習率で調整する設定を比べます。学習枚数が少ない段階で巨大モデルだけを選ばず、処理時間と誤りを含めます。 小さな商品は縮小で消えるため、入力解像度と特徴マップの段数を記録します。近くの大きな箱だけでなく、遠い棚の商品で再現率を測ります。検出枠の重なりが一定以上なら正解とするIoUの基準を決め、商品別・大きさ別に結果を出します。 データ分割は画像のランダム分割ではなく、店舗または撮影日単位にします。同じ棚を数秒違いで撮った画像が訓練とテストへ分かれると、未知状況への性能を過大評価します。新店舗、照明変更、棚替え、季節装飾を独立テストへ入れます。 モデルが価格札の色を商品判定へ使っていないか、価格札を隠す、色だけ変える、背景を入れ替える試験を行います。注目領域を表示しても、それだけで商品を見ていると結論しません。反例で予測が不自然に変わるかを合わせて確認します。 通知は一枚の判定だけで確定せず、数分間の複数画像で継続した空きを確認します。人が見る画面には予測枠、信頼度、元画像、撮影時刻を示します。低信頼、カメラの遮蔽、強い逆光は担当者へ戻し、自動発注までは行いません。 運用後は店舗別の見逃し、誤通知、担当者の確認時間を記録します。新しい包装や棚配置で性能が落ちたら、モデルの深さだけでなく、ラベル基準と撮影条件を見直します。画像認識モデルの成功を「認識率」だけでなく、必要な棚へ早く補充できたかまで評価します。
手を動かして理解する
- 提供ケース「同じ情報を文章・画像・音声で扱う架空例を比較する」または自分が説明できる身近な事例を一つ選び、DAY26「画像認識の発展」の判断観点で整理してください。提出物には、①対象と目的、②本文の用語を使った判断、③判断の根拠、④未確認事項または限界を記します。最後に学習目標「LeNet、AlexNet、VGG、GoogLeNet、ResNetの工夫を、解こうとした問題と結び付けて説明し、画像分類・物体検出・セグメンテーションを区別できる。」を満たす説明になっているか自己確認してください。紙または端末の標準メモだけで実施でき、外部サービスへの登録や有料契約は不要です。 実在人物の個人情報、機密情報、未公開資料は使わず、架空または匿名化した情報だけを使ってください。
04|今日の理解度を確認する
今日の理解度を確認する
画像分類と物体検出の違いとして適切なものはどれですか。
正解は「物体検出は種類に加えて画像内の位置も予測する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
物体検出は種類に加えて画像内の位置も予測する: 正解は「物体検出は種類に加えて画像内の位置も予測する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
画像分類は必ず各画素へラベルを付ける: 各画素の分類はセグメンテーションの説明です。
物体検出は画像を使わず文章だけを処理する: 物体検出は画像内の対象を扱います。
二つは正解データも出力も完全に同じ: 位置を示す枠などが必要で、出力と評価が異なります。
AlexNetの成功を説明する要素の組合せとして適切なものはどれですか。
正解は「大規模画像、GPU、ReLU、Dropout、データ拡張」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
大規模画像、GPU、ReLU、Dropout、データ拡張: 正解は「大規模画像、GPU、ReLU、Dropout、データ拡張」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
層を一層だけにし、学習データを使わない: AlexNetは深いCNNを大量データで学習しました。
全画素へ手作業で同じ正解を入力する: 教師あり分類には画像とラベルが必要です。
残差接続だけを初めて使う: 残差接続を代表するのは後のResNetです。
Inceptionで1×1畳み込みを使う主な役割の一つはどれですか。
正解は「チャンネル数を調整し、後続の大きな畳み込みの計算を減らす」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
チャンネル数を調整し、後続の大きな畳み込みの計算を減らす: 正解は「チャンネル数を調整し、後続の大きな畳み込みの計算を減らす」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
画像の縦横を必ず1×1画素にする: 1×1は各位置のチャンネルを混ぜる処理です。
正解ラベルを自動生成する: ラベル作成の機能ではありません。
物体の因果関係を証明する: 畳み込みだけで因果関係は証明できません。
ResNetの残差ブロックが代表的に出力する形はどれですか。
正解は「F(x)+x」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
F(x)+x: 正解は「F(x)+x」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
F(x)×0だけ: 変換F(x)を常に0へ固定する仕組みではありません。
xを削除した乱数: 入力を近道で足すことが要点です。
訓練損失−テスト損失: 二つの評価損失を引く式ではありません。
画像モデルが背景や施設記号を近道として学んだか確認する方法はどれですか。
正解は「背景・記号を変えた反例と別施設データで試す」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
背景・記号を変えた反例と別施設データで試す: 正解は「背景・記号を変えた反例と別施設データで試す」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
同じ撮影環境の画像だけで得点を出す: 同じ偏りを含む評価では弱点が隠れます。
全体精度が高ければ根拠を確認しない: 高精度でも誤った相関を使うことがあります。
記号をさらに大きくして学習する: 近道となる信号を強めるため逆効果です。
04|今日の理解度を確認する
今日の理解度を確認する
今日の整理をする
この3点を持ち帰る
- ✓ 画像分類・物体検出・セグメンテーションは、必要な出力の細かさで選ぶ
- ✓ LeNetからResNetまでの発展は、局所性・大規模学習・深さ・複数尺度・勾配経路の工夫としてつなぐ
- ✓ 精度だけでなく、対象の大きさ、背景の近道、別環境、処理費用を評価する
講義本文 4,270字
PRIMARY SOURCES