🔖 キーワード索引

📍 文脈ボックス — あなたが今見ているもの

あなたは 「機械学習 / 深層学習 / 画像」 の交点にいる用語ページを見ています。 画像認識は パターン認識 の特殊例で、 入力が 2 次元（または 3 次元）の画素配列であることが本質的特徴です。

統計学的に画像認識は「画素ベクトル $x\in\mathbb{R}^{HW C}$ から離散ラベル $y$ を予測する高次元分類問題」です。 一般の分類問題と比べて 次元数が大きい・空間相関がある・回転や照明に頑健性が必要 な点で特殊です。

🎨 直感で掴む

画像とは大きな数値表です。 28×28 のグレースケール画像なら 784 個の数字、 224×224×3 のカラー画像なら 150,528 個の数字が並んだ「特徴ベクトル」。 画像認識アルゴリズムは、 この超高次元ベクトルから「ネコ」「車」「歩行者」など意味のあるラベルを引き出します。

CNN の 畳み込み層 はスライディングウィンドウで局所パターン（エッジ・コーナー・テクスチャ）を抽出し、 プーリング層 で空間を圧縮、 全結合層 で最終分類を行います。 Vision Transformer (ViT) では画像を 16×16 のパッチに分割しシーケンスとして扱い、 自己注意で関係を学習します。

統計データを「画像」として扱う面白い例として、 SSDSE-B-2026 の 47 都道府県×100 指標行列を 47×100 のグレースケール画像と見ると、 PCA は 画像圧縮、 クラスタリングは 画像セグメンテーション、 異常検出は 欠陥検出 と同じ枠組で語れます。

📐 数式または定義

画像認識は、 画像 $\mathbf{x} \in \mathbb{R}^{H\times W \times C}$ を入力としラベル $y$ を予測する関数：

$$f_\theta: \mathbb{R}^{H\times W\times C} \to \mathcal{Y}, \quad \hat{y} = f_\theta(\mathbf{x})$$

分類タスクの場合、 出力はソフトマックス：

$$p(y=k \mid \mathbf{x}) = \frac{\exp(z_k)}{\sum_{j=1}^{K} \exp(z_j)}$$

畳み込み演算は離散版相関：

$$(\mathbf{x} \ast \mathbf{w})_{i,j} = \sum_{u=0}^{k-1}\sum_{v=0}^{k-1} \mathbf{x}_{i+u,\,j+v} \mathbf{w}_{u,v} + b$$

学習は経験リスク最小化：

$$\hat{\theta} = \arg\min_\theta \frac{1}{N}\sum_{n=1}^{N} \mathcal{L}(f_\theta(\mathbf{x}_n), y_n) + \lambda R(\theta)$$

クロスエントロピー損失：

$$\mathcal{L}_\text{CE} = -\sum_{k=1}^{K} \mathbb{1}[y=k] \log p(y=k \mid \mathbf{x})$$

物体検出の IoU（評価指標）：

$$\mathrm{IoU} = \frac{|A \cap B|}{|A \cup B|}$$

🔬 数式を言葉で読み解く

ソフトマックスは「ロジットを確率に変換する関数」。 ロジットが大きい順に確率が高くなり、 合計 1 になります。 クロスエントロピー損失は 正しいクラスの予測確率の負対数 なので、 0 に近いほど学習が進んだことを示します。

畳み込み演算は実質「テンプレートマッチング」。 カーネル $\mathbf{w}$ が画像内のどこかに似たパターンがあれば応答が大きくなります。 これを多重に積むことで、 単純なエッジから複雑な物体パーツへ階層的に表現が立ち上がるのが CNN の本質です。

🧮 実値で計算してみる（SSDSE-B-2026 を画像と見立てる）

SSDSE-B-2026 の 47 都道府県×100 指標を 47×100 の単色画像 と見立てて、 画像認識の基礎操作を 1 つずつ実行してみましょう。

PCA を「ミニ画像」に当てると、 第 1 主成分は「都市規模」、 第 2 主成分は「気候」を捉えます（東京都＝高都市・温暖、 沖縄＝低都市・暑、 北海道＝中都市・寒）。 これは画像分類で「明るさ成分」「色相成分」を抽出する処理と数学的には同型です。 都道府県を 1 つの画像、 100 指標を 画素 として近傍検索すると「東京の最近傍は神奈川・愛知」「沖縄の最近傍は宮崎・鹿児島」など意味ある結果が得られます。

🐍 Python 実装

SSDSE-B-2026 を「画像」として読み込み、 画像認識の核となる「特徴抽出 → 分類 → 評価」のパイプラインを実装します。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# SSDSE-B-2026 を 47 都道府県×100 指標の「ミニ画像」として読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df_latest = df.sort_values('年度').groupby('都道府県').last().reset_index()
# 数値列だけを取り出す
X = df_latest.select_dtypes(include=[np.number]).drop(columns=['年度'])
prefs = df_latest['都道府県'].values
print('「画像」サイズ:', X.shape)  # (47, 約100)

# 画像と見て表示 (heatmap)
plt.figure(figsize=(10,8))
Xn = (X - X.min())/(X.max() - X.min())
plt.imshow(Xn.values, aspect='auto', cmap='viridis')
plt.yticks(range(len(prefs)), prefs, fontsize=8)
plt.xlabel('指標 (画素)')
plt.title('SSDSE-B-2026 都道府県画像')
plt.colorbar(label='正規化値')
plt.tight_layout(); plt.savefig('ssdse_image.png', dpi=150)

# 特徴抽出 (PCA) — 画像認識の「埋め込み」に相当
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
Xs = scaler.fit_transform(X.fillna(X.median()))
pca = PCA(n_components=10)
Z = pca.fit_transform(Xs)
print('累積寄与率:', np.cumsum(pca.explained_variance_ratio_))

# 2 次元プロット
plt.figure(figsize=(8,7))
plt.scatter(Z[:,0], Z[:,1], s=60, c='steelblue')
for i, p in enumerate(prefs):
    plt.annotate(p, (Z[i,0], Z[i,1]), fontsize=8)
plt.title('PCA 2 次元埋め込み — 都道府県の「画像分類」')
plt.xlabel('PC1'); plt.ylabel('PC2')
plt.tight_layout(); plt.savefig('ssdse_pca.png', dpi=150)

# 分類: 三大都市圏 vs 地方の二値分類
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
metro = ['東京都','神奈川県','埼玉県','千葉県','大阪府','京都府','兵庫県','奈良県','愛知県','岐阜県','三重県']
y_true = np.array([1 if p in metro else 0 for p in prefs])
clf = LogisticRegression(max_iter=1000)
scores = cross_val_score(clf, Xs, y_true, cv=5, scoring='accuracy')
print('CV accuracy:', scores.mean(), '±', scores.std())
clf.fit(Xs, y_true)
print('TOP3 重要特徴(画素):', X.columns[np.argsort(np.abs(clf.coef_[0]))[-3:]])

# k-NN による「画像検索」: 県 → 統計的に似た県の検索
from sklearn.neighbors import NearestNeighbors
nn = NearestNeighbors(n_neighbors=4, metric='cosine').fit(Xs)
dist, idx = nn.kneighbors(Xs)
for i, p in enumerate(prefs[:5]):
    print(f"{p}: 近傍 {[prefs[j] for j in idx[i][1:]]}")

# CNN を使う場合 (PyTorch) — 47×100 画像を 1ch グレーとして学習
import torch
import torch.nn as nn
import torch.nn.functional as F

class TinyCNN(nn.Module):
    def __init__(self, n_classes=2):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 16, 3, padding=1)
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
        self.pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Linear(32, n_classes)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.relu(self.conv2(x))
        x = self.pool(x).flatten(1)
        return self.fc(x)

# 47 県を行とした 1 枚の画像から、 行（県）ごとに分類するには
# 入力を (47, 1, 1, 100) のように整形して使う（応用例として）
X_tensor = torch.tensor(Xs[:, None, None, :], dtype=torch.float32)
y_tensor = torch.tensor(y_true, dtype=torch.long)
model = TinyCNN(); opt = torch.optim.Adam(model.parameters(), lr=1e-3)
for epoch in range(50):
    opt.zero_grad()
    out = model(X_tensor)
    loss = F.cross_entropy(out, y_tensor)
    loss.backward(); opt.step()
print('最終損失:', loss.item())

🗂 画像認識の主要タスク

⚠️ 落とし穴

🌐 関連手法・派生

• 古典手法：SIFT, SURF, HOG, LBP, BoW — 特徴量手作り時代
• CNN ファミリ：AlexNet → VGG → Inception → ResNet → EfficientNet → ConvNeXt
• Transformer 系：ViT, Swin, DeiT, BEiT, MAE
• マルチモーダル：CLIP, ALIGN, FLAVA, BLIP
• セグメンテーション：FCN, U-Net, DeepLab, Mask R-CNN, SAM
• 物体検出：YOLO ファミリ, Faster R-CNN, DETR
• 自己教師あり：SimCLR, MoCo, BYOL, DINO, MAE
• 生成：GAN, VAE, Diffusion (DDPM, Stable Diffusion)

💔 主要な損失関数

🏆 主要ベンチマーク

📜 歴史と発展

• 1960s — Hubel & Wiesel：視覚野の階層仮説
• 1980 — Fukushima：Neocognitron, 畳み込みの祖
• 1998 — LeCun：LeNet-5, MNIST 手書き数字認識
• 2012 — AlexNet, ImageNet で 26% 誤り率 → 15.3% へ大幅短縮
• 2015 — ResNet, 152 層、 残差接続で深層化を実現
• 2020 — ViT, Transformer ベース画像認識が CNN に肉薄
• 2021 — CLIP, 言語と画像のマルチモーダル対照学習
• 2023 — SAM, ユニバーサルセグメンテーション基盤モデル
• 2024-2025 — マルチモーダル LLM (GPT-4V, Claude Opus) で画像理解が言語と統合

📏 画像認識の評価指標

🔗 関連用語（前提・並列・発展）

前提

並列

発展

📚 関連グループ教材

• 📚 深層学習アーキテクチャ — 画像認識を支える CNN/ViT の基盤
• 📚 機械学習 — 分類問題の基礎
• 📚 標本抽出と中心極限定理 — 学習データの統計的取り扱い

❓ FAQ

Q1. なぜ CNN は MLP より画像で強い？

CNN は 局所性と 並進不変性を組み込んでいるため、 同じパターンが画像内のどこにあっても同じ重みで応答できます。 MLP は画素位置ごとに別の重みを持つので学習コストが膨大。

Q2. ViT は本当に CNN を超えたか？

大規模事前学習（JFT-300M, LAION-5B）と組み合わせれば ViT は CNN を上回ります。 一方で小規模データセットでは inductive bias を持つ CNN（ConvNeXt 等）が依然強い。

Q3. SSDSE-B のような表データに画像認識は使える？

直接の応用は限定的ですが、 表をヒートマップ画像に変換 して CNN で分類する SuperTML や TabNet（Transformer ベース）など、 表データを「画像的に」扱う研究はあります。 都道府県データを地図上にプロットして CNN で都市/地方判定する、 などは可能。

Q4. 学習に必要なデータ量は？

転移学習を使えば 1 クラス 100 枚程度から実用的精度が出ます。 ゼロからの学習は 1 クラス数千枚以上が目安。 自己教師あり前訓練→fine-tuning が現在の主流。

Q5. モデルが何を見ているか調べるには？

Grad-CAM, Integrated Gradients, SHAP for Image, Attention Rollout などの可視化手法で、 入力画像のどの領域が予測に寄与しているかを画素単位で表示できます。

🔁 転移学習と前処理パイプライン

実務の画像認識ではスクラッチ学習ではなく ImageNet 等で事前学習されたバックボーン を流用するのが基本です。 最終層だけ差し替えて fine-tune する linear probing から、 中間層も含めて再学習する full fine-tuning まで段階があります。

前処理パイプラインは リサイズ → 正規化 → 拡張 → バッチ化 の流れ。 ImageNet 統計（平均 [0.485, 0.456, 0.406]、 分散 [0.229, 0.224, 0.225]）で正規化することで事前学習モデルとの整合性が取れます。

🗺 概念マップ

画像認識は パターン認識 の応用、 機械学習 の下位、 深層学習 の最も成功した適用領域です。 用語の地図全体 も参照してください。