CNNとは

畳み込みニューラルネットワーク（CNN）とは、画像を2次元のまま入力に用いることができる、画像分野で広く使われている深層学習手法の一つです。

CNNとは人間の神経細胞の単純型細胞と複雑型細胞を模したアプローチ方法のことを指し、「畳み込み層」「プーリング層」「全結合層」の3層から構成されています。畳み込み層とプーリング層を交互に積み重ね、全結合層をいくつか重ねることで、空間的な関係を考慮した特徴表現を獲得できます。
※単純型細胞：画像の特徴（濃淡のパターン等）を検出する
※複雑型細胞：物体の一つが変動しても同一の物体とみなす

CNNは自動運転や顔認証、医療分野の画像解析、無人レジなど幅広い分野で活用されています。

CNNの仕組み

CNNは「畳み込み層」「プーリング層」「全結合層」の3層で構成されたニューラルネットワークです。
ここではそれぞれの層について見ていきたいと思います。

【畳み込み層】

畳み込み層では、カーネルと呼ばれるフィルタを用いて画像から特徴を抽出します。
入力された画像より小さいサイズのフィルタを画像の左上から順に重ね合わせ、画像とフィルタの値を掛け合わせたものの総和をとった値を求めていきます。
これにより特徴マップと呼ばれる新しい2次元のデータを得ることができ、高度な画像の特徴を抽出することができます。

【プーリング層】

プーリング層では特徴マップのサイズをルールに従って小さくしていきます。
例えばMAXプーリングでは、畳み込み処理で作成した特徴マップの最大値を抽出し、新たにダウンサンプリングした画像を得ます。
これにより抽出された特徴が移動しても影響を受けないため、判別対象が画像のどこにいても見つけ出すことができます。

【全結合層】

全結合層では、畳み込み層とプーリング層で抽出された特徴を使用し、最終的な分類を行います。
CNNでは入力された画像に対して一つの正解データが与えられます。畳み込み層とプーリング層の処理を複数繰り返すことで得られた複数の重み付けした特徴マップを、全結合層の処理ですべて結合させることで結果が出力されます。

CNNの活用場面

CNNは下記のような場面で活用されています。

【自動運転】

車載カメラから得られた画像を用い、歩行者やほかの車、道路標識を判別する活用方法があります。
自動運転の分野にてよく活用されています。

【顔認証】

あらかじめ個人の顔を読み取り情報を記憶することで、登録者と個人が一致するかを照合することができます。スマートフォンやPCのロック解除などで活用されています。

【医療分野の画像診断】

診断画像から微細な病気の特徴を見つけ出し、病気の可能性を判別する活用方法があります。

関連分析技術

敵対的生成ネットワーク

関連サービス

当社ではこのような機械学習・分析技術を活用した予測モデル、AIモデルの提供を行っています。

・商品レコメンドモデル構築
もっと見る　

採用情報

機械学習・分析技術で顧客の課題解決に貢献するデータサイエンティストとして働いてみませんか。
ぜひ採用ページもご覧ください。

The post 畳み込みニューラルネットワーク first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

手法について

敵対的生成ネットワーク（GAN）とは生成モデルの一種であり、GereratorとDiscriminatorと呼ばれる2種類のネットワークを戦わせることで本物と見分けがつかないような新しい画像を生成していきます。Generatorは潜在空間のランダムベクトルを受け取りDiscriminatorが間違えるような新しい画像を作成するよう学習し、DiscriminatorはGeneratorが作成した画像を受け取り偽物の新しい画像を見抜けるよう学習していきます。
GANを使うことで高画質の画像生成やリアルタイムでの画像変換、ディープフェイクを用いて本人が話しているような動画を作成することが可能です。

手順・式

GANの構造として一般に、Generatorと呼ばれる画像を生成する部分とDiscriminatorと呼ばれる画像を判別する部分に分かれています。
Discriminatorは入力された画像がGeneratorから生成された偽物の画像か、実際に採取されたの本物の画像かどうかを判別します。その後、画像が偽物かどうかの判別がうまくできるように学習を行います。
一方、Generatorは乱数を入力として画像を生成し、Discriminatorに画像を渡します。
GeneratorはDiscriminatorが行う偽物かどうかの判別を誤らせるように画像の生成を改善していきます。
敵対するGeneratorとDiscriminatorを交互に学習させることで、Generatorはより本物に近い画像を生成することが可能となります。

メリット・デメリット

【メリット】

①新規のデータや情報を生成可能
　既存のデータをもとに新規のデータや情報を生成することができます。
　少ないデータから多くのデータを作成することができるため、豊富なデータを揃えることができます。

②ほかの技術と併用可能
　GANはほかの技術と組み合わせて使用することができます。
　例として、word2vecとGANを組み合わせることで画像ラベルから演算までを行うことが可能です。

【デメリット】

①判断基準がわかりにくい
　画像が似ているかの判別が不透明であり、コンピュータの判断基準が人間の判断基準と異なる場合もあります。

関連分析技術

畳み込みニューラルネットワーク

関連サービス

当社ではこのような機械学習・分析技術を活用した予測モデル、AIモデルの提供を行っています。

・画像生成
もっと見る　

採用情報

機械学習・分析技術で顧客の課題解決に貢献するデータサイエンティストとして働いてみませんか。
ぜひ採用ページもご覧ください。

The post 敵対的生成ネットワーク first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.