このページは、ImageNet と深い CNN の実用化 を、初学者向けに短く整理するノートです。時系列の背景は 畳み込みと画像認識史 を参照してください。
2010〜2015 年代、AlexNet が ImageNet 大規模視覚認識チャレンジ（ILSVRC）で飛躍的な精度を示し、深い畳み込みが画像認識の 中心的手法 として定着しました。続く VGG、GoogLeNet（Inception）、ResNet（残差接続）などが、層を深くしつつ学習を安定させ、転移学習 の実務利用も一気に広がりました。
ざっくりいうと
- AlexNet：ReLU・ドロップアウト・GPU 学習を組み合わせ、深い CNN の実用ブレイクスルーとして知られる。
- VGG：小さな 3×3 畳み込みを重ねる単純で深い設計。特徴抽出のベースラインになった。
- ResNet：残差接続 で勾配が流れやすくし、非常に深いネットでも学習可能にした。
- 転移学習：ImageNet 事前学習の重みを初期値に、手元タスクで fine-tuning する実務の定番。
ImageNet と深い CNN の実用化で何をしているか
たとえば自社の製品画像を 10 クラスに分類したい場合、ラベル付きデータが数百枚しかなくても、ImageNet で学習済みの畳み込みを 特徴抽出器 として使い、最後の層だけを付け替えて学習する、という流れが一般的になりました。競争的なベンチマークが アーキテクチャの進歩 を可視化し、研究と産業の両方で同じモデル族が共有される文化ができあがりました。
- ImageNet などで 大規模事前学習 を行い、汎用的な視覚特徴を得る。
- 下流タスク用に 分類ヘッド を差し替える（または一部層を固定する）。
- 手元データで fine-tuning し、ドメインに合わせて微調整する。
- 検証データで 過学習 と 汎化 のバランスを確認する。
- 推論時は、学習時と同じ前処理（リサイズ・正規化）を守る。
強みと限界（短く）
強み
- 画像分類の精度が一段階上がり、コンピュータビジョンの実用域 が大きく広がった。
- 事前学習モデルの共有により、少量データ でも始めやすいワークフローが定着した。
限界
- モデルが大きく 推論コスト・メモリ が重い。エッジでは軽量化が必須になりやすい。
- ベンチマーク最適化と 本番環境の分布 がずれると、見かけ性能だけが高い、という失敗も増えた。