Skip to the content.

最終更新日:2026年10月19日

まず結論

CNN(Convolutional Neural Network)は、畳み込みによって局所的なパターンを抽出し、同じフィルタを空間上で共有するニューラルネットワークです。

ここではCNNを特徴付ける局所受容野と重み共有を理解します。構成要素や計算の確認先を選びたい場合はCNN学習マップへ進めます。

G検定では、

  • 局所受容野
  • 重み共有
  • 畳み込み

を最優先で押さえます。

直感的な説明

1枚の画像全体へ別々の重みを用意するのではなく、小さなフィルタを位置を変えながら適用します。

同じ特徴検出器を画像のさまざまな位置で使えるため、空間構造を効率よく扱えます。

定義・仕組み

畳み込み

局所領域へフィルタを適用し、特徴マップを作ります。

重み共有

同じフィルタを複数位置で使います。

Pooling

空間サイズを縮小する代表的方法ですが、すべてのCNNで必須ではありません。

ストライド付き畳み込みなどを使う設計もあります。

全結合層

分類ヘッドで使われることがありますが、Global Average Poolingなどを使う構成もあるため、CNN=必ず全結合層を持つとは限りません。

いつ使う?(得意・不得意)

画像が代表的ですが、

  • 音声スペクトログラム
  • 時系列
  • 1次元信号

などにも畳み込みは利用されます。

したがって、CNNを「画像専用」と覚えないようにします。

G検定ひっかけポイント

CNN=画像専用?

❌ 画像以外には使えない
⭕ 局所構造を持つさまざまなデータに利用可能

Pooling必須?

❌ すべてのCNNに必要
⭕ 構成による

重要キーワード

  • 局所受容野
  • 重み共有
  • 畳み込み

まとめ(試験直前用)

  • CNN=畳み込みニューラルネットワーク
  • 局所受容野
  • 重み共有
  • 画像で代表的
  • Poolingや全結合層は必須ではない
  • 画像専用と決めつけない

参考資料(原論文)

© 2024-2026 stemtazoo. All rights reserved.