画像には構造があります。近接するピクセル同士は関連しており、パターンはフレーム全体で繰り返されます。畳み込みニューラルネットワークは、入力に対して小さなフィルタをスライドさせ、重みを共有し、局所的な特徴をあらゆる場所で検出することで、この構造を利用します。

典型的なアーキテクチャは、畳み込み層、活性化関数、プーリング層を積み重ねた構造になっています。初期の層はエッジやテクスチャを検出し、より深い層ではそれらを組み合わせてパーツやオブジェクトを生成します。最終的な分類器は、学習された特徴をラベルにマッピングします。

主要な構成要素

• 学習可能な重みを持つ畳み込みフィルタ
• 空間次元を削減するためのプーリング
• 出力サイズを制御するためのストライドとパディング
• 分類のための全結合層

CNNは、2012年のAlexNetの登場以来、10年間にわたり画像処理分野を席巻した。現在では、ビジョン・トランスフォーマーが多くのベンチマークで競合しているが、CNNは依然として効率的であり、組み込みシステムやモバイルシステムで広く採用されている。