画像認識は、ディープラーニングが最も大きな成果を上げた分野の一つです。
特に2012年の ImageNetコンテスト（ILSVRC） で登場した AlexNet を契機に、畳み込みニューラルネットワーク（CNN）が爆発的に発展しました。
ここでは代表的なモデルの進化と、近年のVision Transformerまでの流れを整理します。
CNN（Convolutional Neural Network）
特徴
- 畳み込み層で画像の局所的な特徴（エッジ、模様など）を抽出。
- プーリング層で特徴を圧縮し、位置やスケールの変化に強くなる。
- 全結合層で最終的な分類を実施。
代表的なCNNモデル
- LeNet（1998年）：手書き数字認識に成功。
- AlexNet（2012年）：ReLUとGPU活用で大規模画像分類に成功。
- VGGNet（2014年）：小さな3×3フィルタを積み重ねるシンプルな設計。
- GoogLeNet（2014年）：Inceptionモジュールを導入、計算効率化。
👉 試験頻出：「CNNの特徴は局所特徴を抽出する畳み込み層にある」。
ResNet（Residual Network）
課題
- ネットワークを深くすると精度が下がる「勾配消失問題」。
解決策
- スキップ結合（Residual Connection） を導入。
- 入力をそのまま次の層に足し合わせることで、非常に深いネットワークの学習が可能に。
成果
- ResNet（2015年） はImageNetで圧勝。
- 数百層のネットワークでも学習可能に。
👉 試験ポイント：「ResNetはスキップ結合で勾配消失を解決した」。
物体検出（YOLO, Faster R-CNNなど）
物体検出とは？
- 画像内の「何が」「どこにあるか」を認識するタスク。
- 画像分類よりも難易度が高い。
代表的手法
- Faster R-CNN：領域候補を抽出して分類。高精度だが計算コスト大。
- YOLO（You Only Look Once）：画像全体を一度に処理してリアルタイム検出可能。
応用
- 自動運転（歩行者・信号検出）
- 防犯カメラ（人物・不審物検出）
- 医療（病変領域の検出）
👉 試験で狙われる：「YOLOはリアルタイム物体検出に強い」。
Vision Transformer（ViT）
背景
- 画像認識は長らくCNNが主流だったが、自然言語処理で大成功した Transformer を画像に応用したのが ViT。
特徴
- 画像を小さなパッチに分割し、系列データとして処理。
- 自己注意機構（Self-Attention）により画像全体の関係を学習。
- CNNのように局所的な畳み込みに依存しない。
成果
- 大規模データセットでCNNを上回る精度を達成。
- Googleが2020年に発表。
👉 試験頻出：「ViTは画像をパッチに分割し、Transformerで処理する」。
まとめ
- CNN：画像分類に革命（AlexNet, VGG, GoogLeNet）。
- ResNet：スキップ結合で深層ネットワークを可能に。
- 物体検出：YOLOはリアルタイム検出に強い。
- Vision Transformer：パッチ分割＋Attentionで画像認識を刷新。
出題傾向
- 「CNNの特徴は？」＝畳み込み層による局所特徴抽出
- 「ResNetの技術的工夫は？」＝スキップ結合
- 「YOLOの利点は？」＝リアルタイム物体検出
- 「Vision Transformerの特徴は？」＝パッチ分割＋Attention
練習問題（例題）
問題：次のうち、画像を小さなパッチに分割し、自己注意機構で処理する画像認識モデルはどれか？
- CNN
- ResNet
- YOLO
- Vision Transformer
👉 正解：4
