【G検定】【E資格】イメージで試験対策💪CNNは画像をどう見ている？🚶‍♂️

CNNは画像をどう見ている？「小さな窓が写真の上を歩く」で畳み込みを理解する 🖼️🚶‍♂️

AIの勉強をしていると、かなり早い段階で登場するのが CNN（Convolutional Neural Network／畳み込みニューラルネットワーク） です。

「画像認識といえばCNN！」そこまではなんとなく知っていても、

 * そもそも、なぜ普通のニューラルネットワークではなくCNNを使うの？ 🧐
 * 畳み込みって、結局なにを畳み込んでいるの？ 🤔
 * ストライドとパディングは何のため？ 💦

と聞かれると、一気に答えが怪しくなりませんか？

でも、CNNの基本的な考え方は意外とシンプルです。一言でいうなら、

「画像全体をいきなり理解しようとせず、小さな窓で少しずつ眺めながら『ここに特徴がある！』という場所を探していく仕組み」です ✨

今回は、以下の要素を一つの物語としてつなげて解説します！

🖼️画像 ➔ 小さな窓 ➔ 畳み込み ➔ 特徴マップ ➔ パラメータ共有 ➔ RGB ➔ ストライド ➔ パディング

1．そもそも、コンピュータにとって「画像」とは何なのか？ 🐶📱

私たちが犬の写真を見ると、「あ、犬だ！」と一瞬でわかります。
でも、コンピュータが見ているものは🐶でも🐱でもありません。見えているのは数字の集まりです 📊
画像は大量の 画素（Pixel） からできています。　さらにカラー画像なら、1つの場所について以下の3つの情報を持っています。

 * R（赤）の数字シート 🟥
 * G（緑）の数字シート 🟩
 * B（青）の数字シート 🟦

つまりカラー画像とは、「3枚の数字のシートを重ねたもの」 です。

私たちが「犬の写真」を見ているとき、AIは巨大な数字の表を渡されているわけです。

【人間の目】 🐶「かわいい犬だなあ」
【AIの目】 📊「[255, 120, 0], [10, 80, 200]…数字が山盛りだ！」

2．画像は「マス目」になっている 📐

画像をものすごく拡大すると、四角いマスが並んでいます。これがピクセルです。

一般的な画像処理では左上が原点（0,0） になり、右へ行けばX座標、下へ行けばY座標が増えていきます ↗️

たとえば 640 × 480 の画像なら、ピクセル数は 307,200個！

カラー画像なら、さらに各ピクセルにRGBの情報が乗ります。

こう考えると、「画像認識ってものすごい量の数字を扱うんだな」ということが見えてきますね 🤯

3．巨大な画像を、いきなり全部見るのは大変！ 💦

昔の画像認識では、人間が「こういう特徴を取り出そう」とルールを設計し、そのあと識別器に渡していました。

しかしCNNでは、特徴抽出と識別をまとめてAI自身が学習 します ✨

人間が「犬を見分けるには耳の形を見るべき」と教えなくても、CNN自身が「どんな特徴を拾えばよいか」を学んでいくのです。

しかも、いきなり「犬」という大きな概念を探すわけではありません。最初は単純な線や色から学び、それらを組み合わせて複雑な特徴を学習していきます 🧩

ここで登場するのが 「畳み込み」 です！

4．畳み込みとは「小さな採点窓を画像の上で滑らせること」 🪟🔍

ここがCNNの心臓部です 🫀

大きな画像全体を一気に見るのではなく、画像の上に小さな四角い窓（たとえば3×3） を置いてみます。

この小さな窓を、左から右へ、少しずつ画像の上で動かしていきます 🚶‍♂️

そして、「この場所には、探している特徴がどれくらい強く出ているかな？」 と毎回採点します 📝

この小さな窓のことを カーネル（Kernel） や フィルタ（Filter） と呼びます。

5．フィルタは「ただの虫眼鏡」ではない 🧐⚖️

フィルタは単なる透明な窓ではありません。
その3×3のマスそれぞれに、重みという数字 が入っています 🔢

【フィルタ（重み）の例】
0 　2 　1
1　 0　 3
2　 1 　2

このフィルタを画像の3×3部分に重ね、対応する数字同士を掛け合わせて、全部足す！これだけです 算数ですね ➕

数学的には 「内積」 を計算しているのですが、難しく考える必要はありません。

「9個の掛け算をして、全部足しているだけ」 です 💡

6．実際に1回だけ計算してみよう ✏️📖

画像の一部分がこんな数字だったとします。

全部足すと6になりました。

つまり、この場所の採点結果は「6点！」 というわけです 💯

この「6」という数字が、出力される新しい画像の1つのピクセルになります。

7．窓を横へ1マス動かす 🚶‍♂️➡️

1か所計算したら終わりではありません。今度はフィルタを 1マス右へ 動かします 👉
また同じように計算すると、今度は「8」が出ました。さらに右へ、さらに下へ……画像全体をずーっと歩いていきます 🐾最後には、こんな新しい数字の地図ができます！
これが 特徴マップ（Feature Map） です 🗺️

元の画像そのものをコピーしたのではなく、「この特徴がどこに、どれくらい強くあったのか」 を記録した地図なのです！

8．フィルタの数字は誰が決めるの？ 🤖🎓

ここで素朴な疑問が出ますよね。

「フィルタに入っていた数字（0, 2, 1...）は、誰が考えるの？」🤔

人間が「犬を見つけるならこの数字！」と決めるわけではありません。

このフィルタの重み自体を、CNNが学習して自分で調整 します！

最初はランダムな数字ですが、学習を進める中で「どういうフィルタなら正しく画像を認識できるか」を自動でブラッシュアップしていくのです 📈

9．CNNは「同じ採点窓」を何度も使う 🔄💡

画像の左上を見るときと右下を見るときで、毎回別のフィルタを用意したら大量の計算が必要になってしまいます 😵

そこでCNNは、同じフィルタを画像のいろいろな場所で使い回し ます。

これを パラメータ共有（Parameter Sharing） と呼びます ✨

社員100人に別のチェック表を持たせるのではなく、1枚の優れたチェック表を持って全員で全エリアを巡回する イメージです。とっても効率的ですよね！

10．でもカラー画像はRGBの3枚重ねだった 🎨🌈

カラー画像はR・G・Bの3チャンネルでしたね。そのため、フィルタも入力に合わせて 3チャンネル分の厚み を持たせます 📦
【入力画像】RGBの3層 × 【フィルタ】3×3×3の厚み
 * 赤用3×3で計算 🟥
 * 緑用3×3で計算 🟩
 * 青用3×3で計算 🟦

この3つの結果を最後に全部足し合わせて、1つの値を作ります。
さらにフィルタを何種類も用意すれば、それぞれのフィルタが異なる特徴（縦線、横線、丸など）を抽出して、複数枚の特徴マップが作られます 📚

11．「ストライド」はフィルタの歩幅 🏃‍♂️💨

ここまでの話が分かれば、ストライドは超簡単です！
フィルタが画像の上を歩くとき、「何マスずつ移動するか」 が ストライド（Stride） です 🐾

 * ストライド1： 1マスずつ丁寧に歩く 🚶‍♂️（□ → □ → □）
 * ストライド2： 1マス飛ばしで進む 🏃‍♂️（□ →→ □ →→ □）

歩幅を大きくすれば調べる場所が減るため、処理は速くなりますが出力サイズは小さくなり、細かい情報が失われやすくなります ⚠️

12．ところが「端っこ問題」が起きる！ 😅💥

畳み込みには1つ弱点があります。

フィルタを画像の端に置いたとき、はみ出すことができないため、画像の端にあるピクセルは中央のピクセルほど何度も見てもらえません 💦

しかも、畳み込みをするたびに画像サイズが少しずつ小さくなってしまいます。これを何層も繰り返すと、端の大切な情報が消えてしまうのです…！

13．パディングは「画像の外側に余白を足す」 🧱✨

そこで登場するのが パディング（Padding） です！
画像の外側に「0」などの数字を並べて、グルッと囲んであげます 囲い（ゼロパディング）。

画像の周囲に 仮設の歩道 を作ってあげるイメージです 🛣️こうすることで、フィルタが元画像の端までしっかり踏み込んで採点できるようになります！

 * ストライド ＝ フィルタの歩幅 🏃‍♂️
 * パディング ＝ 外側に足す余白 🧱
この2つはセットで覚えておきましょう！

14．畳み込み後の画像サイズはどう決まる？ 📐🧮

資格試験などでもよく出る計算式がこちらです！
例えば…

 * 入力画像： 5×5
 * フィルタ： 3×3
 * パディング： 1
 * ストライド： 1

下の図の中の式のように計算してみると 5 となり、5×5からサイズが変わらない ことがわかります！パディング1を入れたおかげでサイズが維持できたわけですね ✨

15．「プーリング」は何をしているの？ 🤏📉

CNNでは「畳み込み」のあとに プーリング（Pooling） という処理が入ることが多いです。

畳み込みが 「特徴を探す役」 なら、プーリングは特徴マップの中から最大値や平均値を取り出して 「データをギュッと縮小する役」 です 📦

これによって重要な特徴を残しながら、計算量を減らすことができます。

🌟 まとめ：テスト前にも使える1分ストーリー 📖⏰

長くなったので、最後に全体をギュッとまとめます！

 * 画像 は、RGBの数字が並んだ巨大なマス目 📊
 * フィルタ という「小さな採点窓」を置く 🪟
 * 窓の数字と画像の数字を掛けて足す（内積＝採点） ✏️
 * 窓をずらしながら画像全体を採点し、特徴マップ（地図）を作る 🗺️
 * 同じフィルタを使い回す＝パラメータ共有 🔄
 * カラー画像には厚み（RGB）のあるフィルタを使う 🎨
 * 移動する歩幅が ストライド 🏃‍♂️
 * 端っこを守るための外枠が パディング 🧱

おわりに 💭

畳み込み（Convolution）という名前だけ聞くと難しそうですが、中身は 「小さく見る ➔ 採点する ➔ 少しずらす ➔ また採点する」 という、とても素朴な仕組みです 💡

この素朴な仕組みを何層も積み重ねることで、AIは巨大な数字のかたまりから「耳」や「目」、そして「犬」という高度な特徴を自分自身で見つけ出せるようになります。

仕組みがわかると、AIのニュースや学習がちょっと楽しくなりますね！

面白かったらぜひ「スキ」やシェアをお願いします 👍✨