畳み込みで画像解析とは？仕組み・フィルター・特徴マップをやさしく解説

畳み込みで画像解析とは？仕組み・フィルター・特徴マップをやさしく解説

畳み込みとは何か

畳み込みは、画像や音声のようなデータから重要な特徴を抜き出すための基本的な計算です。画像で考えると、入力は画素の明るさや色を並べた表のようなものです。その上に小さな窓のようなフィルターを重ね、窓の中に入った画素とフィルターの数値を対応させて計算します。

計算の考え方は単純です。フィルター内の各値と、画像の対応する画素値を掛け合わせ、それらを足し合わせます。得られた1つの値が、出力画像の1マスに記録されます。この作業を画像全体に対して繰り返すことで、輪郭が強く出た画像、ぼかされた画像、特定の模様に反応した画像などを作れます。

AIの画像認識で重要なのは、畳み込みが画像全体を一度に眺める処理ではなく、小さな範囲を少しずつ調べる処理だという点です。目、鼻、線、角、模様のような局所的な特徴を積み重ねることで、最終的に「顔」「車」「文字」といった大きな意味の判別につながります。

フィルターとカーネルの役割

フィルターは、画像のどの特徴に注目するかを決める道具です。画像処理では「フィルター」、機械学習や信号処理では「カーネル」と呼ばれることがありますが、初学者向けには小さな数値の表を画像に重ねるものと考えると理解しやすいでしょう。

たとえば、ぼかしフィルターは周囲の画素を平均するような値を持ちます。急な明るさの変化をならすため、ノイズが減り、滑らかな見た目になります。一方、エッジ検出フィルターは隣り合う画素の明るさの差に反応するため、物体の境界線や文字の輪郭を浮かび上がらせます。

従来の画像処理では、人が目的に合わせてフィルターの値を設計することがよくあります。これに対してCNNでは、学習データを使ってフィルターの値が調整されます。つまり、AIは「輪郭らしさ」「模様らしさ」「部品らしさ」に反応するフィルターを、学習の中で自動的に獲得していきます。

ストライドとパディングで変わる見え方

畳み込みでは、フィルターを画像の上で少しずつずらしながら計算します。このずらす幅をストライドと呼びます。ストライドが1なら1画素ずつ細かく調べ、ストライドが2なら2画素ずつ飛ばしながら調べます。

ストライドを大きくすると、計算する位置が減るため処理は軽くなり、出力される特徴マップも小さくなります。ただし、細い線や小さな点のような特徴を見落とす可能性があります。反対に、ストライドを小さくすると細部を拾いやすくなりますが、計算量は増えます。画像解析では、速度と精度のバランスを見ながら設定します。

もう1つ重要なのがパディングです。パディングは、画像の周囲に余白を追加してから畳み込みを行う処理です。余白を入れないと、画像の端にある情報はフィルターの中心に来る機会が少なくなり、出力でも端の特徴が弱く扱われやすくなります。ゼロで埋めるゼロパディングのほか、端の値を反転させる方法などがあります。

特徴マップとは何か

特徴マップとは、フィルターを画像に適用した結果として得られる出力データです。たとえば横線に反応するフィルターを使った場合、特徴マップの値が大きい場所は、元画像の中で横線らしい特徴が強く現れている場所だと考えられます。

特徴マップは、元画像そのもののコピーではありません。フィルターが注目した特徴だけを強調した「反応の地図」です。CNNでは、浅い層では輪郭や色の変化のような単純な特徴が現れ、深い層に進むほど部品や物体らしさのような抽象的な特徴に変わっていきます。

特徴マップの大きさは、入力画像のサイズ、フィルターのサイズ、ストライド、パディングによって決まります。初心者が混乱しやすい点ですが、畳み込みは単に画像を加工しているだけではなく、AIが判断に使いやすい形へ情報を変換している処理です。

畳み込みの計算例

簡単な例として、3×3の入力データに2×2のフィルターを重ねる場合を考えます。フィルターを左上に置いたら、その範囲に含まれる4つの入力値とフィルターの4つの値をそれぞれ掛け合わせ、最後に足し合わせます。この合計が特徴マップの左上の値になります。

式で書くと、位置ごとの畳み込みは次のような形で表せます。

\(y_{i,j} = \sum_m \sum_n x_{i+m,j+n} k_{m,n}\)

ここで、\(x\) は入力データ、\(k\) はフィルター、\(y\) は特徴マップです。\(i\) と \(j\) は出力上の位置を表し、\(m\) と \(n\) はフィルター内の位置を表します。難しく見えますが、実際には「重なった場所を掛けて足す」という操作を、場所を変えながら繰り返しているだけです。

フィルターを右に1つ、下に1つと移動させながら同じ計算を続けると、2×2の特徴マップができます。値が大きい場所は、フィルターが探している特徴が強く現れた場所です。この基本計算が、多数のフィルター、多数の層、カラー画像へ拡張されて、実際の画像認識モデルで使われます。

畳み込みが使われる場面

畳み込みは、特に画像を扱うAIで広く使われています。写真に写っているものを分類する画像分類、写真の中の物体の位置を見つける物体検出、画像の各画素に意味を割り当てる画像分割などが代表例です。自動運転では道路標識や歩行者の検出、医療画像では病変らしい領域の発見などに応用されます。

画像以外でも、畳み込みの考え方は使われます。音声では時間方向に並んだ波形やスペクトログラムから音の特徴を取り出し、音声認識や話者識別に役立てます。自然言語処理では、文章を単語や文字の並びとして扱い、近くに並ぶ語のパターンを検出するために畳み込みが使われることがあります。

初心者がつまずきやすい注意点

まず、畳み込みは「画像をきれいにする処理」だけではありません。ぼかしや輪郭強調にも使えますが、AIでは特徴を抽出して判断材料に変えるために使われます。見た目の加工と、モデル内部での特徴抽出は目的が異なります。

次に、畳み込みとプーリングを混同しないことも大切です。畳み込みはフィルターで特徴に反応する値を作る処理です。一方、プーリングは特徴マップを小さくまとめ、位置のずれに強くしたり計算量を減らしたりする処理です。どちらもCNNでよく使われますが、役割は同じではありません。

また、フィルターサイズ、ストライド、パディングは結果に大きく影響します。細かい特徴を見たいのにストライドを大きくしすぎると情報を落としやすくなります。画像端の情報が重要な場合にパディングを考えないと、端の特徴が弱く扱われることもあります。設定値は「何を見つけたいか」に合わせて選ぶ必要があります。

まとめ

畳み込みは、画像の上で小さなフィルターを動かし、掛け算と足し算によって特徴マップを作る処理です。輪郭、模様、明るさの変化などを局所的に取り出せるため、画像解析やCNNの基礎として重要です。

理解のポイントは、フィルターが何に反応するか、ストライドでどれくらい細かく調べるか、パディングで端の情報をどう扱うか、そして特徴マップが何を表すかです。これらを押さえると、畳み込みが単なる画像加工ではなく、AIがデータから判断材料を作るための仕組みだと見えてきます。

更新履歴