---
title: "CNN（畳み込みニューラルネットワーク）"
description: "CNN（畳み込みニューラルネットワーク）について、G検定で問われる画像認識・CNN分野の観点から、画像タスクでの役割、特徴抽出の流れ、代表モデルとの関係を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/cnn/"
section: "gk"
---

## まず結論

* **CNNは画像認識に特化したニューラルネットワーク**
* **畳み込みとプーリング** により特徴を段階的に抽出する
* 全結合（MLP）より **空間構造をうまく扱える**

---

## 直感的な説明

CNNは、

> 「画像を一気に理解するのではなく、部分 → 全体へと見ていく仕組み」

です。

* まずは **エッジや角** のような単純な特徴
* 次に **模様やパーツ**
* 最後に **物体全体**

というように、
**層が深くなるほど抽象度が上がる** のが特徴です。

---

## 定義・仕組み

### CNNの基本構成

CNNは主に次の層で構成されます。

1. **畳み込み層（Convolution Layer）**
2. **活性化関数（主にReLU）**
3. **プーリング層（Pooling Layer）**
4. **全結合層（Fully Connected Layer）**

これらを繰り返し、
最後に分類や回帰を行います。

---

### 畳み込みとは？

* 小さなフィルタ（カーネル）を画像上で滑らせる
* 局所的な特徴を検出
* **重み共有** によりパラメータ数を削減

> これが、CNNが画像に強い最大の理由です。

---

### プーリングとは？

* 特徴マップを **縮小** する処理
* 位置のズレに強くなる（平行移動への頑健性）

---

## いつ使う？（得意・不得意）

### 得意なこと

* 画像分類・物体検出・画像認識全般
* 空間構造を持つデータの処理

### 苦手なこと

* 時系列データ（→ RNN）
* 単純な表形式データ（→ MLP）

---

## G検定ひっかけポイント

* ❌「CNNは全結合層のみで構成される」→ **誤り**
* ❌「畳み込みは画像全体を一度に処理する」→ **誤り**
* ✅ **重み共有** と **局所受容野** がキーワード
* ✅ プーリングは特徴量を縮小する

---

## まとめ（試験直前用）

* CNNは **画像向けNN**
* 畳み込みで局所特徴を抽出
* 重み共有でパラメータ削減
* 次は **畳み込みの詳細** を理解すると定着する

👉 次は **畳み込み（フィルタ・ストライド・パディング）** を詳しく見ていきます。