---
title: "ネオコグニトロンとは？【G検定対策】"
description: "ネオコグニトロンについて、S細胞とC細胞による階層構造、位置ずれへの強さ、現代CNNとのつながりを整理します。LeNetとの違いや、教師なし学習・誤差逆伝播との関係も比較し、G検定で発展史を見分ける判断軸を確認します。"
canonical_url: "https://stemtazoo.github.io/gk/neocognitron/"
section: "gk"
---

## まず結論

* **ネオコグニトロン（Neocognitron）**とは、福島邦彦が提案した画像認識用の階層型ニューラルネットワークで、現在のCNNの原型とされるモデルです。
* **S細胞が特徴を検出し、C細胞が位置ずれに強い表現を作る**という考え方が、後の畳み込み層とプーリング層につながりました。

## 直感的な説明

人は、画像をいきなり「猫」と判断しているわけではありません。

まず、

* 線
* 角
* 輪郭

のような単純な特徴を見つけ、次にそれらを組み合わせて、より複雑な形を理解します。

ネオコグニトロンも、

> 単純な特徴 → 複雑な特徴 → 物体

という階層構造で画像を認識します。

さらに、画像の中で対象の位置が少しずれても、同じ特徴として捉えやすい構造を持っています。

## 定義・仕組み

ネオコグニトロンは、福島邦彦によって1980年に提案されました。
人間の視覚野に関する研究から着想を得た、階層型の画像認識モデルです。

### S細胞

S細胞は、画像の局所的な特徴を検出します。

* 線
* 角
* 輪郭

などを見つける役割で、現代CNNの**畳み込み層**に近い考え方です。

### C細胞

C細胞は、S細胞が検出した特徴をまとめ、位置が少しずれても同じ特徴として扱いやすくします。

この役割は、現代CNNの**プーリング層**に近い考え方です。

### 階層構造

S細胞とC細胞を交互に重ねることで、

* 下位層：単純な線や角
* 上位層：複雑な形やパターン

を段階的に表現します。

## いつ使う？（得意・不得意）

### 得意

* 画像認識の基本原理を理解する
* CNNの歴史的な発展を学ぶ
* 階層的な特徴抽出を説明する
* 位置ずれに強い画像認識の考え方を理解する

### 不得意・注意点

* 現代の大規模画像認識へそのまま使うモデルではない
* 現代CNNほど学習方法が統一されていない
* 誤差逆伝播を中心としたモデルではない
* 高性能な実用モデルというより、歴史的な基礎モデルとして重要

## G検定ひっかけポイント

### ネオコグニトロンとCNN

* ネオコグニトロンは**CNNそのもの**ではない
* ただし、局所的特徴抽出と位置ずれへの強さという考え方はCNNにつながっている

したがって、

* 「CNNの原型」→ 正しい
* 「現代CNNと同じ構造・学習方法」→ 誤り

です。

### ネオコグニトロンとLeNet

* **ネオコグニトロン**：S細胞・C細胞、CNNの原型、誤差逆伝播が中心ではない
* **LeNet**：畳み込み層・サブサンプリング層・全結合層を持ち、教師あり学習と誤差逆伝播を用いる

「S細胞・C細胞」ならネオコグニトロンです。
「手書き数字認識・誤差逆伝播」ならLeNetです。

### 教師なし学習との関係

ネオコグニトロンは、基本的に教師なし学習を前提としたモデルとして説明されます。
現代CNNのように、大量の正解ラベルを使って誤差逆伝播で学習するモデルとは異なります。

### 発展の流れ

* ネオコグニトロン：CNNの原型
* LeNet：教師あり学習と誤差逆伝播を用いた初期CNN
* AlexNet：大規模画像認識で深層CNNを広く知らしめた

この順番で整理すると混同しにくくなります。

## まとめ（試験直前用）

* ネオコグニトロンは福島邦彦が提案したCNNの原型
* S細胞は特徴検出、C細胞は位置ずれに強い表現を担う
* S細胞は畳み込み、C細胞はプーリングに近い考え方
* 誤差逆伝播を中心とする現代CNNとは異なる
* 「S細胞・C細胞・CNNの原型」ならネオコグニトロン