画像認識AIの代名詞ともいえるのが畳み込みニューラルネットワーク（CNN）です。ネオコグニトロンからLeNet、そしてAlexNetへと続く歴史とともに、「畳み込み層→プーリング層→全結合層」という基本構造と2大特徴（重みの共有・局所受容野）を整理します。G検定でも最重要級のキーワードです。
📖 ひと言でいうと
畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）とは、畳み込み層とプーリング層を重ねて画像などから特徴を段階的に抽出し、最後に全結合層で分類などを行うディープラーニングモデルです。画像認識・動画解析・音声認識などで高い性能を発揮します。
身近な例えでは、工場の検品ラインを想像してください。最初の工程では部品の傷や輪郭という細かい点をチェックし（畳み込み層）、次の工程では要点だけを絞り込んで報告し（プーリング層）、最後に責任者が全報告をまとめて合否を判定します（全結合層）。厳密には各工程は人ではなく、学習で最適化された数値計算の層ですが、「細部→要約→総合判定」という流れは同じです。
🖼 1枚でわかる畳み込みニューラルネットワーク
📘 公式テキストの説明
畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）は、ディープラーニングにおけるモデルの一種で、主に画像認識や動画解析、音声認識などの分野で高い性能を示している。CNNの基本構造は、畳み込み層、プーリング層、全結合層から成り立っている。畳み込み層は、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役割を持つ。このフィルタは、画像内のエッジやテクスチャなどの局所的な特徴を抽出するために使用される。フィルタの重みは学習過程で最適化され、データの特徴を効果的に捉えるようになる。プーリング層は、畳み込み層で得られた特徴マップの空間サイズを縮小し、計算量の削減や過学習の抑制に寄与する。一般的な手法として、最大値プーリング（Max Pooling）や平均値プーリング（Average Pooling）が用いられる。これにより、モデルは位置の変化に対して頑健性を持つようになる。全結合層は、プーリング層で得られた特徴を用いて、最終的な分類や回帰を行う部分である。この層では、従来のニューラルネットワークと同様に、全てのニューロンが前の層の全てのニューロンと接続されている。CNNの特徴として、重みの共有と局所受容野の概念が挙げられる。重みの共有により、モデルのパラメータ数が削減され、学習効率が向上する。また、局所受容野は、各ニューロンが入力データの一部領域にのみ反応することを意味し、画像の局所的な特徴を効果的に捉えることが可能となる。CNNは、1980年代に提案されたネオコグニトロンにその起源を持ち、1990年代にはLeNetが手書き数字認識で成功を収めた。その後、2012年のAlexNetの登場により、深層学習の分野で大きな注目を集め、現在では多くの応用分野で活用されている。
長い説明ですが、「3つの層の役割」「2つの構造的特徴」「3段階の歴史」に分解すれば見通しがよくなります。畳み込み層が特徴を抽出し、プーリング層が縮小して頑健性を与え、全結合層が最終判断を下す。それを支えるのが重みの共有と局所受容野。そしてネオコグニトロン→LeNet→AlexNetという系譜です。
🔍 しっかり理解する
データが流れる順番で3つの層を見る
実際のCNNでは「畳み込み→プーリング」のセットを何段も繰り返します。浅い層はエッジや色などの単純な特徴を、深い層はそれらを組み合わせた複雑な特徴（目、車輪、顔など）を捉えるようになり、階層的な特徴抽出が実現されます。プーリングには最大値を取るMax Poolingと平均を取るAverage Poolingがあり、これにより多少の位置ずれがあっても同じ特徴として扱える頑健性が生まれます。
CNNを支える2大特徴——重みの共有と局所受容野
重みの共有とは、1枚のフィルタを画像のすべての場所で使い回すことです。「左上の縦線検出器」と「右下の縦線検出器」を別々に持つ必要はなく、同じフィルタで全域を走査すればよいため、パラメータ数が劇的に減り、学習効率が向上します。
局所受容野とは、各ニューロンが入力の一部領域（フィルタが重なる範囲）だけに反応することです。画像では「意味のある情報は近くの画素同士に宿る」ため、全画素を一度に見る全結合よりも、局所を丁寧に見る構造のほうが画像の性質に合っています。この2つの特徴が、CNNが少ないパラメータで高精度を出せる理由です。
3段階で覚えるCNNの歴史
- 1980年代: ネオコグニトロン — 福島邦彦が提案した、生物の視覚野の仕組みに着想を得たモデル。CNNの起源とされます
- 1990年代: LeNet — 手書き数字認識で成功を収め、畳み込み＋プーリング構造の有効性を実証しました
- 2012年: AlexNet — 画像認識コンペILSVRCで従来手法に圧勝し、ディープラーニングブームの引き金になりました
「起源→実用化の芽→ブレイクスルー」という流れで、年代と名前の対応を問う問題は頻出です。
💡 具体例で考える
スマートフォンの写真アプリが、撮りためた写真を「食べ物」「人物」「風景」に自動でアルバム分けしてくれる機能は、CNNによる画像分類の典型例です。ユーザーが何もしなくても、CNNが各写真の特徴を抽出し、カテゴリを推定しています。
歴史的なエピソードとしては、2012年のILSVRC（大規模画像認識コンペ)でのAlexNetの勝利が有名です。それまでの画像認識は人間が設計した特徴量が主流でしたが、CNNベースのAlexNetはエラー率を前年優勝レベルから約10ポイントも改善し、「特徴量は学習で獲得できる」ことを世界に示しました。この出来事が第3次AIブームの象徴としてG検定でも繰り返し取り上げられます。
⚠️ よくある誤解・紛らわしい用語
- 「CNN＝画像専用」ではない — 主戦場は画像ですが、公式テキストにある通り動画解析や音声認識にも使われます。
- プーリング層に学習パラメータはない — 畳み込み層のフィルタは学習で最適化されますが、最大値・平均値を取るプーリングには学習する重みがありません。
- RNNとの混同 — CNNは空間的な構造（画像）が得意、RNN（リカレントニューラルネットワーク）は時系列データが得意という役割分担です。略語が似ているため選択肢の入れ替えに注意しましょう。
- 全結合層が「ない」モデルもある — 基本構造としては3層構成ですが、近年は全結合層をGlobal Average Poolingで置き換える設計もあります。「基本形」と「発展形」を区別しておくと混乱しません。
📝 試験でのポイント
- 「畳み込み層・プーリング層・全結合層」の3構成と、それぞれの役割の対応を問う問題が最頻出です。
- 「重みの共有」「局所受容野」という2大特徴の用語と効果（パラメータ削減・局所特徴の抽出）は、そのまま正誤問題の題材になります。
- ネオコグニトロン(1980年代)→LeNet(1990年代・手書き数字認識)→AlexNet(2012年)の年代順・業績の対応を並べ替え問題で問われる想定をしておきましょう。
- 「プーリング層は位置の変化に対する頑健性をもたらす」という記述の正誤判定も要注意です。
📚 まとめ
畳み込みニューラルネットワーク（CNN）は、畳み込み層で局所特徴を抽出し、プーリング層で縮小・頑健化し、全結合層で分類する構造を持つディープラーニングモデルです。重みの共有と局所受容野によって少ないパラメータで画像の性質を捉えられることが強みです。ネオコグニトロンに起源を持ち、LeNetを経て、2012年のAlexNetで一気に主役へ躍り出ました。構造・特徴・歴史の3本柱で確実に押さえましょう。
