最終更新日：2023-12-05

畳み込みニューラルネットワーク（CNN）とは？3層の仕組み・ディープラーニング他手法との関係を徹底解説！

畳み込みニューラルネットワーク（CNN）は、AI（人工知能）による画像認識の分野でよく使われる技術で、画像から様々な情報を抽出できます。

AIの中でも画像認識は、顔認証システムや自動運転などさまざまな分野で取り入れられ、産業の発展に大きく貢献しています。その画像認識の中核の技術がCNN（畳み込みニューラルネットワーク）です。

自社でも画像認識を取り入れて、業務効率化や生産性向上に役立てたいとお考えの方もいるのではないでしょうか。

本記事ではCNNを初心者でも理解できるよう、概要や仕組みなどをまとめました。CNNで画像の特徴をどのように抽出しているのか、他のディープラーニング手法との違いを中心に解説します。

AI Marketでは、画像認識・解析に強い開発会社の無料選定・紹介を行っています。貴社に最適な会社に手間なく数日で出会えます。貴社の要望に応えることが可能な企業複数社の紹介が可能で、相見積もり・比較もすぐに実施可能。

プロのAIコンサルタントが貴社の代わりに数社選定しますので、開発会社の選定に迷ったり、相談方法がわからなかったら、累計500件以上の相談実績を持つAI Marketへ、いつでもお気軽にご相談ください。

【無料】画像認識・解析に強いAI開発会社の選定を依頼する

AIの基本的な定義と仕組みについてはこちらの記事で詳しく解説しています。

1 畳み込みニューラルネットワーク（CNN）とは？
2 CNNの3層の仕組み
3 CNNのビジネスへの活用事例
4 CNN導入の際の3つの注意点
5 まとめ

畳み込みニューラルネットワーク（CNN）とは？

CNNは、人間の脳神経系の仕組みを模倣したニューラルネットワークに「Convolution（畳み込み）層」を追加したアルゴリズムです。「Convolutional Neural Network」の頭文字を取った用語で「畳み込みニューラルネットワーク」と日本語で訳されます。

CNNは人間の脳の神経細胞「ニューロン」を模したモデルで「層」と呼ばれる内部構造を持ちます。主に「畳み込み層」「プーリング層」「全結合層」の3つの層から構成されます。

一般的には、畳み込み層とプーリング層を交互に積み重ねたあとに全結合層をいくつか重ねた構造をしています。畳み込み層とプーリング層の部分で、画像の特徴を抽出することを繰り返し、何層にもすることで複雑な特徴が表現可能です。全結合層では抽出された複雑な特徴を特徴量として扱って、組み合わせで予測や分類ができる仕組みです。

ニューラルネットワークで、処理する層を複数用意して判断の精度を向上させた機械学習を一般的にはディープラーニングと呼びます。CNNは、ディープラーニングの1つの手法です。

CNNは画像認識に強み

CNNが画像認識で特に強みを持っています。従来のニューラルネットワークでも画像認識は可能でしたが、複雑な画像への対応が難しいという課題がありました。

CNNは畳み込み層とプーリング層を交互に配置して、画像の特徴を効果的に抽出することができます。これにより、画像内の局所的なパターンや形状を捉え、空間的な関係を考慮した特徴表現を獲得できます。

また、CNNは重みの共有という機能を持ちます。つまり、畳み込み層で使用されるフィルターは、画像内の複数の位置で共通して使用されるため、学習すべきパラメーター数が他の手法に比べて削減され、学習効率が向上します。

こちらの記事で、画像認識の詳しい仕組みと種類についてわかりやすく説明しています。

CNNと他のディープラーニングの手法との違い

ディープラーニングにはCNN以外にも手法がいくつかあります。どのように使い分ければ良いのかを簡単に説明します。

RNN、LSTMとの違いと使い分け

CNN以外のディープラーニングの代表的な手法に、RNNとLSTMがあります。

RNNは主に時系列データを扱いのに使われます。「Recurrent Neural Network（再帰型ニューラルネットワーク）」を意味します。株価や気温の解析等、また音声データのような時系列データの学習、自然言語処理分野で使われます。

一方向のネットワークではなくフィードバックループを持ち、前後関係を考慮した認識が可能です。ただし、長い時系列データをうまく学習できない問題点があります。

LSTM（Long Short Term Memory）は、RNNのデメリットを解消したモデルです。長期の時系列データを学習できるようにしたモデルがLSTMです。

それぞれの手法で強みとなる分野が異なるため、目的となるタスクに応じて使い分けましょう。

【無料】画像認識・解析に強いAI開発会社の選定を依頼する

CNNの3層の仕組み

CNNは「畳み込み層」「プーリング層」「全結合層」の3つの層を組み合わせて構成されたニューラルネットワークです。それぞれの層の仕組みを詳しく解説します。

畳み込み層

ニューラルネットワークの畳み込み層では、直前の層の出力に対して「畳み込み処理」をおこないます。畳み込み処理とは、畳み込みフィルタと呼ばれる画像中の特定の形状に反応するフィルタを画像に掛け合わせることです。

フィルタは学習によりラベルの判別に有効な形状となっています。新しく入力した画像に対して畳み込みフィルタが1ピクセル単位ごとにずらして掛け合わせ一致量を計算し、フィルタとの一致度合いが高い部分は強調されて写されます。

1ピクセル単位ごとにずらして特徴的な部分が強調された画像を特徴マップと呼び、畳み込みフィルタの数だけ複数作成可能です。

プーリング層

プーリングとは、入力画像のある範囲のウィンドウの数値から一つの数値を取り出し、画像データを小さくまとめる処理です。プーリング層では、直前の層の出力に対して「プーリング処理」をおこないます。

畳み込み層のあとに配置されると、畳み込み層の出力に対してウィンドウ内の最大値や平均値などを計算します。数字の組が多少異なっても、プーリングによって同じ結果が出力されます。つまり、画像の平行移動などがあっても影響を受けることがないように、あまり重要ではない位置に関する情報を上手に削ぎ落とす役割を果たします。

全結合層

全結合層では、畳み込み層やプーリング層での演算で抽出した特徴量から、全情報を取りまとめることで画像の認識ができるようになる仕組みです。最終的に出力層に予測や分類の結果を出力します。

何層も積み重ねることにより複雑で有効な特徴量を利用した処理が可能となります。

CNNのビジネスへの活用事例

顔認識
CNNは人間がルールを決める手法に比べ、精度が非常に高いため多くの分野で実用化が期待されています。CNNをビジネスへ活用した事例を見ていきましょう。

顔認証

画像認識の応用事例の代表が顔認証です。画像や動画などから個人の顔を読み取り、目や鼻、口など特徴的な位置や顔の大きさなどをもとに、あらかじめ登録しておいた情報と本人とを照合します。

大量の「人の顔の教師データ」を読み込ませ、学んだ特徴で未知のデータが入力されたときに人の顔を判別する仕組みです。顔認証システムは高いセキュリティレベルを持つ技術として、多くの企業で活用されています。

自動運転

自動運転では、車載カメラから得られる画像を使う物体認識や位置特定などでCNNが使われています。

自動運転では、周囲の状況を瞬時に把握する技術が求められます。周辺情報の画像などのデータをセンサー類が取り入れ続けて、正確な判別や適切な判断を迅速に決定しなければなりません。CNNの高度な画像認識の技術を応用して、解析や処理の能力を高めたAIシステムにより、障害物などを把握し安全な運転へとつなげます。

こちらで、画像認識以外でも自動運転で活用されるAI技術を特集しています。