このページは、深層学習における 畳み込みニューラルネットワーク（CNN） と 画像・空間データ の扱いを、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、深層学習全体の座標は 深層学習モデル史 を参照してください。古典機械学習側の特徴量設計との対比は 特徴量設計（概要） も併せて読むと立体的になります。
ざっくりいうと
- 畳み込み（convolution）：画像の 局所パターン（エッジ、テクスチャなど）を、小さな フィルタ（カーネル） でスライドしながら拾う演算。同じフィルタを画像全体に使い回す パラメータ共有 が特徴です。
- 畳み込み層：畳み込みの結果を特徴マップとして積み上げ、段階的に 大きな見た目のパターン（部品→物体）へつなげる層の総称です。
- プーリング（pooling）：近傍の値をまとめて解像度を下げ、位置のゆらぎに強くする処理。代表は 最大プーリング です。
- CNN（Convolutional Neural Network）：畳み込み層・プーリング層・全結合層などを組み合わせたネットワーク。画像分類の定番アーキテクチャです。
- 転移学習（transfer learning）：ImageNet などで学習した重みを初期値にし、手元の少量データで微調整する実務の定番です。
物体検出（どこに何があるか）や セグメンテーション（ピクセル単位の領域）も、畳み込みを骨格にした設計が主流です。
図: 小さな カーネル（フィルタ） が画像上をスライドし、各位置で畳み込み結果を得るイメージ。出典: Michael Plotke（CC BY-SA 3.0）
全結合だけのネットワークとの違い（感覚）
| 観点 | ピクセルを並べた全結合（典型） | CNN（典型） |
|---|---|---|
| 入力の扱い | 全ピクセルが互いに直接つながる | 近傍 から順に特徴を積み上げる |
| パラメータ数 | 画像が大きいと爆発しやすい | 共有フィルタ で抑えやすい |
| 位置のゆらぎ | 学習データに依存しやすい | 畳み込み＋プーリングで 局所不変性 を取りやすい |
| 解釈 | ブラックボックスになりがち | フィルタの可視化などの手がかりがある |
古典機械学習では SIFT や HOG など人手の特徴を作り、SVM などに渡す流れが長くありました。CNN は 特徴の設計そのもの をデータから学ぶ方向へ重心を移した、と理解するとつながります。
図: 入力画像 → 畳み込み／プーリングの繰り返し → 全結合でクラス出力、という典型的な流れ。出典: Aphex34（CC BY-SA 4.0）
畳み込みと画像認識で何をしているか
たとえば「猫か犬か」を分類するとき、生のピクセル列をそのまま全結合に入れると、画素数に比例してパラメータが増え、位置が少しずれただけで別物のように見えてしまいます。CNN は 小さな窓 でエッジや模様を拾い、層を重ねるごとに 目・耳・全体の形 のような抽象度へ進みます。だいたい次の流れです。
- 前処理：リサイズ、正規化、データ拡張（回転・反転・色調のゆらぎ）で学習データのバリエーションを増やす。
- 畳み込み＋活性化：複数チャンネルの特徴マップを作る（ReLU など）。
- プーリング：空間サイズを縮め、計算と位置のゆらぎへの頑健性を確保する。
- 繰り返し：浅い層はエッジ、深い層は部品・物体に近い表現になりやすい。
- 分類ヘッド：特徴マップをベクトル化し、クラス確率（ソフトマックスなど）へつなぐ。
学習では、正解ラベルとの誤差（交差エントロピーなど）から 逆伝播 でフィルタの重みを更新します。推論では、学習済みフィルタで特徴を抽出し、最後の層でクラスを選びます。
図: 入力画像、特徴学習ブロック、平坦化、全結合による分類までを一枚で示した例。出典: Irisbox（CC BY 4.0）
物体検出では、分類に加えて どこに何があるか（バウンディングボックス）を出す。二段階（候補を出してから精査）と一段階（一度に位置とクラス）の構成がよく比較されます。
図: (a) 2-stage 検出器、(b) 1-stage 検出器の概念図。出典: Licheng Jiao ほか、Commons（CC BY 4.0）
学習フェーズと推論フェーズ
| 段階 | 役割 | 触るもの |
|---|---|---|
| 学習 | フィルタと分類器の重みをデータから更新 | 損失関数、オプティマイザ、データ拡張 |
| 推論 | 学習済み重みでラベルや領域を出力 | 前処理の一貫性、しきい値、後処理（NMS など） |
検出・分割では、アンカー や FPN などアーキテクチャ固有の部品が増えますが、骨格は「畳み込みで特徴を作り、タスク用のヘッドで出力する」という形が多いです。
強みと限界（短く）
強み
- 画像の 空間構造（近くの画素が意味を持つ）を自然に扱える。
- パラメータ共有により、高解像度入力 でも学習可能な設計にしやすい。
- 大規模データセットと GPU により、2010 年代以降 画像認識の実用域 が一気に広がった。
- 転移学習 で、手元データが少なくても始めやすい場面がある。
限界
- データの偏り や ドメイン差（学習環境と本番環境の違い）で性能が落ちやすい。
- 敵対的入力（人間には分からない摂動）に弱い例が知られ、運用では頑健性の検証が要る。
- 解釈性は古典の線形モデルより重く、説明責任 が求められる領域では追加の工夫が必要。
- 計算・メモリ・電力コストが大きく、エッジ端末では 軽量化（量子化、蒸留など）が論点になる。
よく混ざる用語（会話での補足）
チャンネル
カラー画像なら RGB の 3 チャンネル。畳み込みの出力も複数チャンネルの 特徴マップ になり、次の層の入力になる、というイメージです。
図: 1 つのフィルタが、前の層から 3 チャンネル分 の特徴を受け取り、次の特徴マップを作るイメージ。出典: Cecbur（CC BY-SA 4.0）
ストライドとパディング
ストライド（stride） はフィルタを動かす間隔。パディング（padding） は端の画素を扱うための余白。出力サイズの計算でよく話題になります。
図: 青が入力、シアンが出力。パディングやストライドの違いによる出力の変化。出典: Vincent Dumoulin, Francesco Visin（MIT / Commons）
受容野（receptive field）
深い層ほど、元画像の 広い範囲 を見ているとみなせる領域が広がります。検出のスケール設計などと結びつきます。
データ拡張（data augmentation）
学習時だけランダムに反転・クロップ・色調を変え、見た目のバリエーション を人工的に増やす手法。過学習抑制に効くことが多いです。