CNN（畳み込みニューラルネットワーク）の心臓部が、この「畳み込み操作」です。フィルタを画像の上でスライドさせながら計算するだけのシンプルな処理が、なぜ画像認識の主役になれたのか。仕組みと利点を一歩ずつ理解していきましょう。
📖 ひと言でいうと
畳み込み操作とは、小さなフィルタ（カーネル）を入力データ上でスライドさせながら、重なった領域ごとに積和演算（掛けて足す計算）を行い、特徴マップと呼ばれる出力を作るプロセスです。これにより、画像のエッジ（輪郭）やテクスチャ（質感）といった局所的な特徴を抽出できます。
身近な例えでいうと、小さな虫めがねを持って大きな絵の上を左上から右下まで順番に眺めていき、「ここに縦線がある」「ここはざらざらした模様だ」とメモを取っていく作業に似ています。虫めがね（フィルタ）は1種類の特徴に反応する専用レンズで、メモの集まりが特徴マップです。厳密には「眺める」のではなく、フィルタの数値と画像の画素値を掛けて合計する機械的な計算を繰り返しています。
🖼 1枚でわかる畳み込み操作
📘 公式テキストの説明
ディープラーニングにおける畳み込み層（Convolutional Layer）は、主に画像認識などの分野で用いられ、入力データから特徴を抽出する役割を担う。畳み込み操作は、入力データに対してフィルタ（カーネル）を適用し、特徴マップを生成するプロセスである。具体的には、フィルタを入力データ上でスライドさせながら、対応する領域の要素ごとの積和演算を行い、その結果を出力として得る。この操作により、エッジやテクスチャなどの局所的な特徴を効果的に抽出できる。畳み込み操作の際、フィルタのサイズやストライド（フィルタを移動させる間隔）、パディング（入力データの周囲に追加する値）などのハイパーパラメータが結果に影響を与える。適切な設定により、入力データの空間的な構造を保持しつつ、重要な特徴を抽出することが可能となる。また、畳み込み層は全結合層と比較して、パラメータ数を大幅に削減できるため、計算効率が高く、過学習のリスクも低減できる。
この説明には、畳み込み操作を理解するための要素がすべて詰まっています。「フィルタ・スライド・積和演算・特徴マップ」が処理の流れ、「フィルタサイズ・ストライド・パディング」が調整つまみ、「空間構造の保持・パラメータ削減・過学習リスク低減」が全結合層に対する利点です。この3グループに分けて整理しましょう。
🔍 しっかり理解する
処理の流れを追ってみる
たとえば縦線に強く反応するフィルタなら、画像内の縦のエッジがある場所で積和演算の結果が大きくなり、特徴マップ上のその位置に大きな値が記録されます。つまり特徴マップは「どこにどの特徴があるか」を示す地図なのです。実際の畳み込み層はフィルタを何十枚も持ち、それぞれ異なる特徴の地図を同時に作ります。
結果を左右する3つのハイパーパラメータ
- フィルタサイズ — 一度に見る範囲の広さ。3×3や5×5が一般的です
- ストライド — フィルタを動かす間隔。大きいほど出力が小さくなります
- パディング — 入力の周囲に0などを追加し、出力サイズの縮小を防ぎます
これらから出力サイズが決まります。入力幅W、フィルタサイズF、パディングP、ストライドSのとき、出力の幅は (W+2P-F)/S+1 です。たとえば入力32×32、フィルタ5×5、パディング0、ストライド1なら (32+0-5)/1+1 = 28 で、出力は28×28になります。
全結合層と何が違うのか
全結合層で32×32×3の画像（3,072値）を1,000ニューロンにつなぐと、重みは約307万個必要です。しかも画像を1列に引き伸ばすため「どの画素が隣同士か」という空間構造が失われます。畳み込み操作なら、たとえば3×3×3のフィルタ64枚で重みは約1,700個。同じフィルタを画像全体で使い回す(重みの共有)うえ、近くの画素だけを見る(局所受容野)ので、空間構造を保ったまま圧倒的に少ないパラメータで済みます。パラメータが少ないことは計算効率だけでなく、過学習のリスク低減にもつながります。
💡 具体例で考える
畳み込み自体は、実はディープラーニング以前から画像処理で使われてきた計算です。たとえば写真アプリの「シャープ」や「ぼかし」フィルタは、人間が設計した固定の数値を持つカーネルによる畳み込みです。ディープラーニングの畳み込み操作が画期的だったのは、このフィルタの中身（重み）を学習で自動獲得する点です。人間が「縦線検出器を作ろう」と設計しなくても、大量の画像から誤差逆伝播によって、タスクに役立つフィルタがひとりでに育ちます。
学習済みCNNのフィルタを可視化すると、浅い層にはエッジや色の勾配に反応する単純なフィルタが、深い層には目や車輪のような複雑なパターンに反応するものが並ぶことが知られています。「単純な特徴を組み合わせて複雑な特徴へ」という階層的な特徴抽出が、畳み込み操作の積み重ねで実現されているのです。
⚠️ よくある誤解・紛らわしい用語
- フィルタ（カーネル）と特徴マップの混同 — フィルタは特徴を検出する側の小さな行列（入力側の道具）、特徴マップは畳み込みの結果できる出力データです。「どちらが出力か」を問う選択肢に注意しましょう。
- プーリングとの混同 — 畳み込みは学習可能な重みで特徴を「抽出」する操作、プーリングは最大値や平均値で特徴マップを「縮小」する操作です。プーリングに学習する重みはありません。
- 「畳み込み層は画像専用」ではない — 主戦場は画像認識ですが、音声やテキストなど1次元の系列データに適用する1次元畳み込みもあります。
- 「フィルタは人間が設計する」は誤り — ディープラーニングではフィルタの重みは学習によって自動的に最適化されます。
📝 試験でのポイント
- 「フィルタを適用し特徴マップを生成するプロセス」「スライドさせながら積和演算」という定義文の正誤・穴埋めが基本パターンです。
- 全結合層との比較で「パラメータ数を大幅に削減」「空間構造を保持」「過学習リスクの低減」という利点を選ばせる問題が想定されます。
- フィルタサイズ・ストライド・パディングという3つのハイパーパラメータ名と役割の対応は確実に押さえましょう。
- 出力サイズの計算式 (W+2P-F)/S+1 を使う計算問題にも対応できるようにしておくと安心です。
📚 まとめ
畳み込み操作は、フィルタを入力上でスライドさせながら積和演算を行い、特徴マップを生成するCNNの基本プロセスです。エッジやテクスチャなどの局所的な特徴を抽出でき、フィルタサイズ・ストライド・パディングの設定が結果を左右します。全結合層に比べてパラメータ数が大幅に少なく、空間構造を保持でき、過学習のリスクも低い——この3つの利点が、CNNが画像認識の主役になった理由です。
