機械学習用語集: 画像モデル

このページでは、画像モデルに関する用語集について説明します。すべての用語集の用語については、こちらをクリックしてください。

A

拡張現実

#image

コンピュータで生成された画像をユーザーの現実の視点に重ねて合成する技術。

億

境界ボックス

#image

画像では、下の画像にある犬のように、関心領域を囲む長方形の（x、y）座標が必要です。

C

畳み込み

#image

数学では、ざっくばらんに言うと 2 つの役割が混在します。機械学習では、畳み込みは畳み込みフィルタと入力行列を組み合わせて重みをトレーニングします。

機械学習における「畳み込み」という用語は、多くの場合、畳み込み演算または畳み込みレイヤを簡略化したものです。

畳み込みがない場合、機械学習アルゴリズムは大きなテンソル内のセルごとに個別の重みを学習する必要があります。たとえば、2K x 2K の画像でトレーニングする機械学習アルゴリズムでは、4M の個別の重みを求めることになります。畳み込みのおかげで、機械学習アルゴリズムは畳み込みフィルタ内のすべてのセルの重みを見つけるだけでよく、モデルのトレーニングに必要なメモリを大幅に削減します。畳み込みフィルタを適用すると、各セルにフィルタが乗算されるように単純にセル間で複製されます。

畳み込みフィルタ

#image

畳み込み演算の 2 つのアクターのいずれか。（もう 1 つのアクターは入力行列のスライスです）。畳み込みフィルタは、入力行列と同じランクの小さな行列です。たとえば、28x28 の入力行列の場合、フィルタは 28x28 より小さい任意の 2D 行列になります。

写真操作では、畳み込みフィルタ内のすべてのセルは通常 1 と 0 の定数パターンに設定されます。機械学習では、一般的に畳み込みフィルタは乱数でシードされ、ネットワークが理想的な値をトレーニングします。

畳み込みレイヤ

#image

レイヤ間のディープ ニューラル ネットワーク畳み込みフィルタたとえば、次の 3x3 の畳み込みフィルタについて考えてみましょう。

次のアニメーションは、5x5 入力行列を含む 9 つの畳み込み演算からなる畳み込みレイヤを示しています。各畳み込み演算は、入力マトリックスの異なる 3x3 スライスで動作します。結果の 3x3 行列は、9 つの畳み込み演算の結果で構成されます。

畳み込みニューラル ネットワーク

#image

ニューラル ネットワーク。少なくとも 1 つのレイヤが畳み込みレイヤです。一般的な畳み込みニューラル ネットワークは、次のレイヤの組み合わせで構成されます。

• 畳み込みレイヤ
• プールレイヤ
• 高密度レイヤ

畳み込みニューラル ネットワークは、画像認識など、特定の種類の問題に対して大きな成功をもたらしてきました。

畳み込み演算

#image

次の 2 段階の数学演算

1. 畳み込みフィルタと入力行列のスライスの要素ごとの乗算。（入力行列のスライスの大きさとサイズは畳み込みフィルタと同じになります）。
2. 結果のプロダクト マトリックス内のすべての値の合計。

次の 5x5 入力マトリックスについて考えてみましょう。

ここで、次の 2x2 の畳み込みフィルタを想像してください。

各畳み込み演算には、入力行列の単一の 2x2 スライスが含まれます。たとえば、入力マトリックスの左上にある 2x2 スライスを使用するとします。このスライスの畳み込み演算は次のようになります。

畳み込みレイヤは、一連の畳み込み演算から構成され、それぞれが入力行列の異なるスライスに作用します。

D

データの拡張

#image

既存のサンプルを変換して追加の例を作成し、トレーニングのサンプルの範囲と数を人為的に増やす。たとえば、画像は特徴の一つですが、データセットに有用な関連付けを学習するのに十分な画像サンプルがありません。モデルを適切にトレーニングできるように、ラベル付き画像を画像に追加すると理想的です。それができない場合は、データの拡張により各画像の回転、伸縮、反射が行われ、元の画像の多くのバリアントが生成され、優れたトレーニングを可能にするために十分なラベル付きデータが作成される可能性があります。

深度分離可能畳み込みニューラル ネットワーク（sepCNN）

#image

畳み込みニューラル ネットワーク Inception に基づくアーキテクチャ（Inception モジュールが深度分離可能な畳み込みに置き換えられている）別名 Xception

深度分離可能な畳み込み（分離可能な畳み込みとも呼ばれます）は、標準の 3 次元畳み込みを 2 つの別々の畳み込み演算に分解します。これらは、より計算効率が高い 2 つの畳み込み演算です。1 つ目は深度 1（n ✕ n ✕ 1）、2 つ目はポイント 1 の畳み込みの畳み込みです。

詳細については、Xception: 深度分離可能畳み込みによるディープ ラーニングをご覧ください。

ダウンサンプリング

#image

過負荷の用語は、次のいずれかを意味します。

• モデルのトレーニングをより効率的に行うために、特徴の情報量を減らす。たとえば、画像認識モデルをトレーニングする前に、高解像度画像を低解像度形式にダウンサンプリングします。
• 過小評価されているクラスに対するモデル トレーニングを改善するための、過小評価されているクラスの例が不均衡な割合。たとえば、クラスの不均衡なデータセットでは、モデルは大半のクラスについて多くの学習を行う傾向がありますが、マイノリティ クラスについては十分ではありません。ダウンサンプリングは、大半のクラスとマイノリティ クラスのトレーニング量のバランスをとるのに役立ちます。

I

画像認識

#image

画像内のオブジェクト、パターン、またはコンセプトを分類するプロセス。画像認識は画像分類とも呼ばれます。

詳細については、ML の演習: 画像分類をご覧ください。

union over union（IoU）

#image

2 つのセットの交差を和集合で割った値。機械学習画像検出タスクでは、IoU を使用して、グラウンド トゥルース境界ボックスに対するモデルの予測境界ボックスの精度を測定します。この場合、2 つのボックスの IoU は重複領域と総領域の比率であり、値の範囲は 0（予測境界ボックスとグラウンド トゥルース境界ボックスの重複なし）から 1（予測境界ボックスとグラウンド トゥルース境界ボックスの座標は同じです）です。

たとえば、以下の画像をご覧ください。

• 予測された境界ボックス（モデルがペイント内の夜間テーブルが配置される場所を区切る座標）が紫色で囲まれます。
• 正解バー（ペイント内のナイトテーブルが実際に配置されている場所を示す座標）が緑で囲まれています。

この例では、予測と正解（境界ボックス）の交点が 1 で、予測と正解（境界ボックス）の境界ボックスの和が 7 であるため、IoU は \(\frac{1}{7}\)になります。

K

キーポイント

#image

画像内の特定の特徴の座標。たとえば、花の種を識別する画像認識モデルでは、キーポイントが各花びら、ステム、ステームなどの中心になります。

L

landmarks

#image

キーポイントと同義。

M

MNIST

#image

LeCun、Cortes、Burges でコンパイルされた 60,000 枚の画像を含む一般公開ドメインのデータセット。各画像に、人間が 0 ～ 9 の特定の数字を手動で書き込んだ方法が示されている。各画像は 28x28 の整数の配列として格納され、各整数は 0 ～ 255 のグレースケール値です。

MNIST は機械学習の正規のデータセットで、多くの場合、新しい機械学習アプローチのテストに使用されます。詳しくは、 手書き数字の MNIST データベースをご覧ください。

点

プール

#image

以前の畳み込みレイヤによって作成された行列をより小さな行列に減らす。プーリングは通常、プールされた領域の最大値または平均値のいずれかを取ります。たとえば、次の 3x3 行列があるとします。

プーリング演算は、畳み込み演算と同様に、そのマトリックスをスライスに分割し、その畳み込み演算をストライドしてスライドします。たとえば、プーリング演算が畳み込み行列を 1x1 のストライドを持つ 2x2 スライスに分割するとします。次の図に示すように、4 つのプーリング オペレーションが発生します。各プーリング演算が、スライス内の 4 つの最大値を選択するとします。

プーリングは、入力行列における翻訳不変の適用に役立ちます。

ビジョン アプリケーションのプーリングは、空間的には空間プーリングと呼ばれます。 時系列アプリケーションでは、通常、プーリングを「一時的なプーリング」と呼びます。ふさわしくないプーリングは、サブサンプリングまたはダウンサンプリングと呼ばれます。

（右）

回転不変

#image

画像分類問題では、画像の向きが変化しても画像を適切に分類するアルゴリズムの能力が重要です。たとえば、テニスラケットが上、横、または下を指している場合でも、アルゴリズムは識別できます。回転不変量は常に望ましいとは限りません。たとえば、逆さまの 9 が 9 として分類されることはありません。

翻訳不変とサイズ不変もご覧ください。

S

サイズ分散

#image

画像分類問題では、画像のサイズが変更された場合でも、画像を適切に分類するアルゴリズムが利用できます。たとえば、アルゴリズムが 200 万ピクセルと 20 万ピクセルのどちらを消費しているかを同定できます。なお、最適な画像分類アルゴリズムでさえも、サイズ不変に対する実用的な制限もあります。 たとえば、アルゴリズム（または人間）は、20 ピクセルしか消費していない猫の画像を正しく分類する可能性は低くなります。

翻訳不変と不変分散もご覧ください。

空間プーリング

#image

プーリングをご覧ください。

ストライド

#image

畳み込み演算またはプーリングでは、次の一連の入力スライスの各次元の差分。たとえば、次のアニメーションは、畳み込み演算中の（1,1）ストライドを示しています。したがって、次の入力スライスは、前の入力スライスの 1 つ右の位置から開始します。オペレーションが右端に達すると、次のスライスは左端まで、ただし 1 つ下の位置まで、移動します。

上記の例は、2 次元の歩みを示しています。入力行列が 3 次元の場合、ストライドも 3 次元になります。

サブサンプリング

#image

プーリングをご覧ください。

火

翻訳不変

#image

画像分類問題では、画像内のオブジェクトの位置が変更された場合でも、画像を適切に分類するアルゴリズムの能力があります。たとえば、アルゴリズムは犬をフレームの中央に置いても、フレームの左端に置いても、識別できます。

サイズ分散と回転不変もご覧ください。