CNNは「画像認識・画像処理」で圧倒的な性能を発揮するために作られたニューラルネットワークの構造です。 現在は画像だけでなく、音声スペクトログラム、動画、医療画像、自動運転などほぼ全ての「空間的・局所的な構造を持つデータ」に使われています。
1. CNNが普通のニューラルネットワークと違う最大のポイント3つ
| 普通の全結合NN（MLP） | CNNの特徴 |
|---|---|
| すべてのニューロンがすべて繋がっている | 局所的にしか繋がっていない（局所結合） |
| 位置情報が無視される | 位置情報が非常に重要（同じパターンがどこにあっても検知できる） |
| パラメータ数が爆発しやすい | パラメータ共有で劇的に少ない |
→ これにより「画像が大きくなっても計算量が抑えられ、かつ翻訳不変性（同じ模様がどこにあっても認識できる）」が得られる
2. CNNの3大要素
① 畳み込み層（Convolution Layer）
- 小さなフィルター（カーネル、例：3×3や5×5）を画像全体にスライドさせながら掛け算→足し算
- フィルター = 「エッジ検出」「テクスチャ検出」など特定の特徴を抽出するもの
- 同じフィルターを画像全体で共有 → パラメータ共有
主なハイパーパラメータ：
- フィルターサイズ（3×3が主流）
- ストライド（1 or 2）：フィルターを何マスずつずらすか
- パディング（Same / Valid）：出力サイズを保つか縮めるか
- フィルター数（チャンネル数）：何種類の特徴を同時に抽出するか（64, 128, 512…と層が深くなるほど増える）
② プーリング層（Pooling Layer）
- 特徴マップを「縮小」して計算量を減らし、位置の微小なズレに強くなる
- Max Pooling（領域内で最大値を取る）がほぼ標準
- Average Poolingは最近あまり使われない
- 最近の最先端モデルではプーリングを減らし、ストライド付き畳み込みで代替することも多い
③ 全結合層（Fully Connected Layer）
- 最後の数層だけ普通のニューラルネットワークに変換
- 最近はGlobal Average Pooling（GAP）で全結合層をなくすのが主流（パラメータ激減）
3. 代表的なCNNアーキテクチャの歴史（性能順）
| 年 | モデル名 | 特徴・ポイント |
|---|---|---|
| 1998 | LeNet-5 | CNNの元祖（手書き数字認識） |
| 2012 | AlexNet | ImageNetで圧勝 → ディープラーニングブームの火付け役 |
| 2014 | VGGNet | すべて3×3フィルターで非常に深い（16〜19層） |
| 2015 | ResNet | Residual接続（スキップ接続）で超深い（152層もOK）←現在も基本 |
| 2017 | DenseNet | すべての層が互いに繋がる |
| 2020 | EfficientNet | 精度と速度のバランスが最高（現在実用最強クラス） |
| 2021〜 | ConvNeXt | Transformer時代でも「純粋なCNN」がまだ強いことを証明 |
| 2022〜 | ConvFormer / ViTハイブリッド | CNNとTransformerを融合した次世代 |
4. 最近のトレンド（2023〜2025）
- 純粋なCNNはVision Transformer（ViT）に押され気味だったが…
- ConvNeXt、RepLKNetなど「現代的に改良したCNN」が再びSOTA（最先端）を奪還
- モバイル向け：MobileNet, EfficientNet-Lite
- 実用では依然として「ResNet50」「EfficientNet-B0〜B7」が最も使われている
5. CNNのイメージ図（典型的な構造）
入力画像 (224×224×3)
↓
Conv1 (3×3, 64フィルター) + ReLU
↓
MaxPool (2×2)
↓
Conv2 (3×3, 128) → Conv3 (3×3, 128)
↓
MaxPool
↓
Convブロック×数回（どんどんチャンネル数増加）
↓
Global Average Pooling または Flatten
↓
Fully Connected (全結合層) → Softmax → 1000クラス分類まとめ：CNNが画像認識で強い理由
- 局所結合＋パラメータ共有 → 計算効率が非常に高い
- 翻訳不変性 → 同じ特徴がどこにあっても検出できる
- 階層構造で「低レベルの特徴（エッジ）→ 高レベルの特徴（目、鼻→ 顔）」を自動で学習
