画像分類 - Ciallo Wiki | チャロ百科

1 定義と重要性

1.1 画像分類の基本概念

画像分類は、コンピュータビジョンにおける基本的なタスクであり、入力されたデジタル画像を、あらかじめ定義されたカテゴリラベルのいずれかに割り当てる処理を指す。例えば、画像に写っている物体が「猫」「犬」「自動車」「飛行機」のいずれであるかを判定する。このタスクは、画像全体を単一のクラスに分類する「単一ラベル分類」と、一枚の画像に複数の物体が含まれる場合の「マルチラベル分類」に大別される。

1.2 コンピュータビジョンにおける位置づけ

画像分類は、物体検出（物体の位置特定と分類の同時実行）やセマンティックセグメンテーション（画素単位での分類）など、より高度な視覚タスクの基盤となる。そのため、画像分類の精度向上は、自動運転、医療画像診断、監視システムなど、さまざまな応用領域の発展に直接寄与する。

2 歴史と発展

2.1 古典的な手法

深層学習が広く普及する以前は、画像分類は手動で設計した特徴量と統計的機械学習モデルの組み合わせによって実現されていた。

2.1.1 特徴量エンジニアリングとサポートベクターマシン

画像から色、テクスチャ、エッジなどの低レベル特徴を数値ベクトルとして抽出し、サポートベクターマシン（SVM）などの分類器で学習する手法が主流であった。SVMは特に少量データで高い汎化性能を発揮したが、特徴量設計に専門知識が必要であり、複雑な視覚パターンには限界があった。

2.1.2 局所特徴量（SIFT、HOG）

局所特徴量抽出アルゴリズムとして、SIFT（Scale-Invariant Feature Transform）やHOG（Histogram of Oriented Gradients）が提案された。SIFTはスケールや回転に不変な特徴点を検出し、HOGは局所領域の勾配方向ヒストグラムを算出して物体形状を表現する。これらの手法は、手書き特徴量ながら高い性能を示し、後のCNN（畳み込みニューラルネットワーク）の設計に影響を与えた。

2.1.3 バッグ・オブ・ビジュアルワーズ

画像を単語の集まりとみなす「Bag of Visual Words」（BoVW）モデルは、テキスト分類の手法を画像に応用したもの。画像から抽出された局所特徴量をクラスタリングして「視覚単語」のコードブックを作成し、各画像をその出現頻度ヒストグラムで表現する。単純ながら頑健な手法であり、特にシーン認識で広く用いられた。

2.2 深層学習の台頭

2010年代に入り、大規模データセットとGPU計算能力の向上により、深層学習が画像分類の主流となった。

2.2.1 畳み込みニューラルネットワーク（CNN）の原理

CNNは、畳み込み層、プーリング層、全結合層を積み重ねたニューラルネットワークである。畳み込み層はフィルター（カーネル）を用いて画像からエッジやテクスチャなどの局所パターンを検出し、プーリング層で空間解像度を削減して位置変動に対する不変性を得る。複数の層を重ねることで、低レベル特徴から高レベルの意味的特徴を自動的に学習できる。

2.2.2 ImageNetとAlexNetの革命

ImageNetは、約1,400万枚の画像を2万カテゴリ以上にラベル付けした大規模データセットである。2012年、AlexNetはこのデータセットを用いたILSVRC（ImageNet Large Scale Visual Recognition Challenge）で深層学習を初めて適用し、従来のSIFT+FV（Fisher Vector）手法を大幅に上回る精度を達成した。AlexNetは5つの畳み込み層と3つの全結合層で構成され、ReLU活性化関数やドロップアウト、データ拡張を採用したことで、深いネットワークの学習を安定化させた。

2.2.3 その後の主要アーキテクチャ（VGG、ResNet、Inception、EfficientNet）

VGG：シンプルな3×3畳み込みフィルターを深く積み重ねるアーキテクチャ。層数が16層または19層で、設計の単純さと再現性の高さで知られる。
ResNet：残差接続（スキップ接続）を導入し、層を超えた数百層の学習を可能にした。勾配消失問題を緩和し、152層のResNetがILSVRC 2015で優勝。
Inception（GoogLeNet）：異なるサイズの畳み込みフィルターを並列に用いるInceptionモジュールを提案。計算効率と表現力を両立させた。
EfficientNet：ネットワークの深さ、幅、解像度をニューラルアーキテクチャ探索によりバランス良く拡張する手法。少ないパラメータで高い精度を実現した。

2.3 データセットとベンチマーク

2.3.1 代表的なデータセット（ImageNet、CIFAR、MNISTの概要）

MNIST：手書き数字（0～9）のグレースケール画像（28×28ピクセル）からなるデータセット。7万枚のトレーニング・テスト画像を含み、入門用として広く使用される。
CIFAR-10 / CIFAR-100：32×32ピクセルのカラー画像からなるデータセット。CIFAR-10は10クラス（飛行機、自動車、鳥など）、CIFAR-100は100クラスに分類される。小型ながら実用的なベンチマークとして利用される。
ImageNet：約1,400万枚の画像からなる大規模データセット。ILSVRCではそのサブセット（約120万枚、1,000クラス）が使用され、画像分類モデルの性能比較の事実上の標準となっている。

2.3.2 評価指標（精度、適合率、再現率、F1スコア）

精度（Accuracy）：全予測のうち正解した割合。最も基本的な指標だが、クラス不均衡がある場合は注意が必要。
適合率（Precision）：あるクラスと予測したサンプルのうち、実際にそのクラスである割合。「偽陽性」の少なさを測る。
再現率（Recall）：実際にそのクラスであるサンプルのうち、正しく予測できた割合。「偽陰性」の少なさを測る。
F1スコア：適合率と再現率の調和平均。特に不均衡データの総合評価に用いられる。

3 主要な技術と手法

3.1 前処理とデータ拡張

3.1.1 基本的な前処理（リサイズ、正規化）

入力画像は、モデルが期待する固定サイズ（例：224×224ピクセル）にリサイズされる。さらに、画素値を[0,1]にスケーリングするか、平均と標準偏差を用いて標準化（Zスコア正規化）することで、学習の収束を安定させる。

3.1.2 データ拡張技術（回転、反転、色彩変換）

データ拡張は、限られた訓練データから多様なバリエーションを生成することで過学習を防ぎ、汎化性能を高める。代表的な手法として、ランダムな回転・水平反転・クロッピング、明るさ・コントラスト・彩度の変更、ガウシアンノイズの付加などがある。現代の深層学習フレームワークでは、これらの変換をパイプラインとして自動化できる。

3.2 モデルアーキテクチャ

3.2.1 基本構成要素（畳み込み層、プーリング層、全結合層）

畳み込み層：フィルター（カーネル）を画像全体にスライドさせ、特徴マップを生成する。局所的なパターンを検出し、パラメータ共有により計算効率が高い。
プーリング層：特徴マップの空間サイズを縮小し、位置変動に対する不変性を獲得する。最大値プーリング（Max Pooling）や平均値プーリング（Average Pooling）が一般的。
全結合層：最終的な特徴マップをフラット化し、すべてのニューロンが前層の全ニューロンと結合する層。クラスごとのスコアを出力するために用いられる。

3.2.2 深層化と勾配消失問題への対策

ネットワークが深くなると、誤差逆伝播時に勾配が指数的に小さくなる勾配消失問題が生じる。これに対し、バッチ正規化（Batch Normalization）、ReLU活性化関数、ResNetの残差接続、DenseNetの密結合などが効果的である。バッチ正規化は各層の入力を正規化し、学習率の設定を容易にする。

3.2.3 転移学習とファインチューニング

大規模データセット（例：ImageNet）で事前学習されたモデルを、新しいタスクに適用する手法。事前学習モデルの重みをそのまま特徴抽出器として使用するか、新しいデータで一部の層を再学習（ファインチューニング）することで、少ないデータでも高い精度が得られる。特に医用画像など、データが限られる領域で広く使われる。

3.3 学習手法と最適化

3.3.1 損失関数（クロスエントロピー損失）

多クラス分類では、クロスエントロピー損失が標準的に用いられる。モデルの出力（ソフトマックス関数で確率化されたスコア）と正解ラベルの確率分布との間の距離を測る。式は \( L = -\sum_{i} y_i \log(\hat{y}_i) \) で表され、予測が正解に近いほど損失は小さくなる。

3.3.2 最適化アルゴリズム（SGD、Adam）

確率的勾配降下法（SGD）：各ミニバッチごとに勾配を計算し、パラメータを更新する。モーメンタムを加えることで、局所最適解からの脱出や収束の加速が可能。
Adam：モーメンタムとRMSPropを組み合わせた適応的学習率最適化アルゴリズム。学習率の自動調整機能を持ち、多くのタスクでSGDよりも高速に収束する。

4 応用分野

4.1 物体認識とシーン理解

4.1.1 スマートフォンの写真整理と顔認識

スマートフォンのギャラリーアプリは、画像分類技術を用いて人物、場所、イベントごとに写真を自動整理する。顔認識では、特定の人物の顔を識別し、タグ付けやロック解除に活用される。

4.1.2 自動運転における交通標識認識

自動運転車は、カメラ画像から速度制限標識、一時停止標識、信号機などをリアルタイムで分類・認識する。これにより車両の速度制御や経路選択が可能となり、安全運転を支援する。

4.2 医用画像診断

4.2.1 病理スライドの分類

組織切片のデジタル画像（病理スライド）をCNNで解析し、正常組織とがん組織の分類、腫瘍の悪性度評価などを行う。AIによる補助診断は病理医の負担軽減と診断精度の向上に貢献する。

4.2.2 眼底画像による疾病検出

眼底写真から糖尿病網膜症、緑内障、加齢黄斑変性などの眼疾患を自動検出するシステムが実用化されている。スクリーニング検査の効率化に役立っている。

4.3 工業・セキュリティ

4.3.1 製品品質検査

工場のラインでは、カメラで撮影した製品画像をリアルタイムに分類し、表面傷、汚れ、塗装ムラなどの不良品を検出する。深層学習ベースの検査システムは従来のルールベース手法より適応性が高い。

4.3.2 監視カメラによる異常検知

監視映像から不審な行動、置き去り物、侵入者などを画像分類（または物体検出）で検出する。アラーム発報や記録保存の自動化に貢献する。

5 課題と展望

5.1 限界と課題

5.1.1 ドメインシフトと汎化性能

訓練データと実際のテストデータの分布が異なる（ドメインシフト）場合、モデルの性能が大幅に低下する。例えば、晴天下で訓練したモデルは雨天や夜間の画像で誤分類しやすい。ドメイン適応やデータ拡張による対策が研究されている。

5.1.2 データバイアスとフェアネス

訓練データに存在する特定集団への偏り（例：肌の色、性別、年齢）がモデルに学習され、不公平な分類結果を生む可能性がある。バイアス除去や公平性を考慮した学習手法の開発が進められている。

5.1.3 計算コストとモデルの軽量化

高精度なモデルは多数のパラメータと計算資源を必要とし、エッジデバイス（スマートフォン、組み込み機器）への展開が難しい。モデル圧縮（枝刈り、量子化、知識蒸留）や軽量アーキテクチャ（MobileNet、ShuffleNet）の研究が活発である。

5.2 最新のトレンドと将来の方向性

5.2.1 自己教師あり学習と大規模基盤モデル

ラベルなしデータから表現を学習する自己教師あり学習（対照学習、マスク画像モデリング）が注目されている。これにより、大規模基盤モデル（CLIP、DINOなど）が構築され、多様な下流タスクに転移可能な汎用的な視覚表現が獲得できる。

5.2.2 説明可能AIと不確実性推定

画像分類モデルの判断根拠を可視化する手法（Grad-CAM、LIME）や、予測の信頼度を推定する不確実性定量化（ベイズニューラルネットワーク、アンサンブル）が重要視されている。医療診断など、高い信頼性が求められる分野での導入に必須である。

5.2.3 マルチモーダル学習との融合

画像とテキスト、音声などの異なるモダリティを組み合わせた学習が進んでいる。例えば、画像キャプショニングやビジュアル質問応答（VQA）では、画像分類が基盤となる。マルチモーダル基盤モデルはよりリッチな情報処理を可能にする。