CNNConvolutional Neural Network

手前の段は細かい模様から見ます

写真を最初に受け取った段がすることは、意外なほど単純です。ごく小さな板を写真の上に乗せ、その場所で明るさが急に折れ曲がるか、線が斜めに寝ているか程度しか見ません。板が小さいので、一度に調べる広さは爪ほどです。この段階ではまだ車も犬もなく、短い線とにじみしかありません。

この細かい模様が次の段の材料になります。二番目の段は元の写真ではなく、最初の段が見つけた模様の並びを見て、短い線二本が直角に出会えば角、線が丸くつながればふちとしてまとめます。三番目の段はその角とふちを再びまとめ、車輪や窓枠、取っ手のような部品を見分けます。

段を上がるほど、板一枚が元の写真で実際に走査している広さも一緒に広がります。手前は爪ほどの場所を、奥は写真の半分ほどを一度に見ている計算です。部品がすべてそろって初めて「これは車だ」という判断ができるようになります。

同じ板を写真のすみずみまで使います

CNNが写真に特によく合う理由がここにあります。左上で縦線を探していた板と右下で縦線を探す板は同じ板です。場所ごとに別の板を用意するわけではありません。

おかげで二つの得があります。第一に、物体が画面の左にあっても右にあっても同じ模様として捉えられます。写真を少しずらして撮っても見分けられる力はここから来ます。第二に、覚えておく値が大きく減ります。写真のすべての場所に別々の板を置くと値が手に負えないほど増えますが、板を一枚使い回すのでそうなりません。

走査と縮小を交互に行います

走査ばかり続けても扱う絵は減りません。そこで走査したら一度まとめます。隣同士をまとめて代表値だけ残すと絵は半分の大きさになり、残った段はより広い範囲を一目で見られるようになります。

走査→縮小→走査→縮小。この二拍子を数回から数十回繰り返すのがCNNの骨組みです。繰り返すほど絵は小さくなり、代わりにその絵が持つ意味は濃くなります。最初は縦横が大きく薄かった絵が、最後には小さく厚みのある値の束になります。

最後に名札が出ます

最後の段まで来ると残るのは「この写真にどの部品がどれだけあったか」を記した短い値の束です。ここでは位置の情報がほとんど消え、性質だけが残ります。この値の束を名札の一覧と見比べ、一覧の名前ごとに点数を付け、いちばん高い一つを答えとして出します。

同じ骨組みの末端だけを取り替えて、違う仕事をさせることもあります。末端で点数の代わりに四角の位置と大きさを出させれば物体を探して枠を付ける仕事になり、場所ごとに名札を出させれば点単位で切り出す仕事になります。手前で模様を取り出す部分はそのままに、末端だけ付け替える方式がよく使われます。