ディープニューラルネットワークで最もよく使われているのは、畳み込みニューラルネットワーク(CNNまたはConvNet)というネットワークです。畳み込みニューラルネットワークでは学習された特徴を入力データと畳み込みます。この2次元の畳み込み層が、このアーキテクチャを画像などの2次元データの処理に適したものにしています。

畳み込みニューラルネットワークでは、手作業での特徴抽出は必要ありません。画像分類に使う特徴量を探し出す必要もありません。畳み込みニューラルネットワークが画像から直接特徴抽出を行います。関連する特徴量は事前には学習する必要がありません。大量の画像データによる学習を通して学び取られます。この自動的な特徴抽出の仕組みにより、物体認識などのコンピュータビジョンのタスクにおいてディープラーニングのモデルは高い分類精度を持つことになりました。

畳み込みニューラルネットワークは、数十から数百もの隠れ層により、1つの画像に含まれる数々の特徴を学習していきます。層が進むにつれて、より複雑な特徴を学習します。例えば、最初の隠れ層ではエッジ検出など単純な特徴からスタートして、最後の層ではより複雑な特徴、特に認識したい物体の形状の学習へと進んでいきます。

機械学習とディープラーニングの違いとは？

ディープラーニングは機械学習のひとつの特殊な形と言えるものです。通常の機械学習のワークフローは、画像からマニュアルで特徴量を抽出することからスタートします。そして、抽出した特徴量を使って画像内の物体を分類するモデルを作成します。一方、ディープラーニングでは、特徴量は画像から自動的に抽出されます。また、ディープラーニングは「エンドツーエンドな学習」を実行できます。つまり、ネットワークは生の画像データと、分類など処理すべきタスクを与えられ、自動的にその処理方法を学習していきます。

もう一つの大きな違いは、シャローラーニングがデータの増加に対して性能が頭打ちになるのに対して、ディープラーニングではその性能がデータのサイズに対してスケールする点にあります。

ディープラーニングの大きな利点は、データが増えていくにつれ、しばしばその精度を向上させていくことができる点にあると言えるでしょう。

一般的な機械学習では、特徴量と分類器は手動で選択されるのに対して、ディープラーニングでは特徴量の抽出とモデリングは自動的に行われます。

ディープラーニングモデルの作成、学習方法

ディープラーニングを使用した物体認識には下記の3つの手法がよく使われています。

ゼロから学習する

ディープネットワークをゼロから学習するには、大量のラベル付けされたデータを集め、特徴量を学習しモデル化するためのネットワークを設計する必要があります。この方法は、新しい分野での応用や、出力するカテゴリ数が多い場合には有効ですが、大量のデータと学習時間が必要であることから、使用頻度はそれほど高くありません。通常、こうしたタイプのネットワークの学習には、数日から数週間といった長い時間を要します。

転移学習

多くのディープラーニングの応用では、学習済みモデルの微調整を行うタイプのアプローチとして、転移学習が利用されています。この転移学習では、AlexNetやGoogLeNetといった既存の学習済みのネットワークに対して、そのネットワークでは事前には学習されていないクラスを含むデータを与えて学習させます。その場合、学習済みのネットワークには若干の修正が必要となりますが、ネットワークの学習後には本来の「1000種類のカテゴリへの分類」の代わりに「犬か猫か」といった新しいタスクを行わせることができるようになります。この手法には、ゼロからネットワークを学習させる場合と比較して必要なデータ数がはるかに少なくて済むという利点があり(何百万ではなく数千の画像)、計算時間は数分から数時間程度に短縮されます。

転移学習では、既存のネットワークに対して切り貼りをしたり、新しいタスクに対して拡張を行ったりすることが必要となるため、ネットワークの内部構造にアクセスするインターフェースが必要となりますが、MATLAB^®にはこうした転移学習を手助けするためのツールや関数がいくつも揃っています。

MATLABでディープラーニングは簡単になります。MATLABは、大規模なデータセットを管理するツールと機能に併せて、機械学習、ニューラルネットワーク、コンピュータビジョン、自動運転に特化したツールボックスを提供しています。

MATLABを使えばわずか数行のコードでディープラーニングを行うことができます。ディープラーニングの専門家になる必要はありません。素早く始めて、モデルを作成・可視化し、サーバーや組み込みデバイスに展開していきましょう。

ディープラーニングにMATLABを使用したチームが成功しているのには、理由があります。

1. わずか数行のコードでモデルを作成・可視化

MATLABでは、最小限のコードでディープラーニングのモデルを構築できます。さらにDeep Network Designer (3:54)のアプリを使えば、マウス操作と簡単な設定によりコードを記述することなくモデルを構築することも可能です。MATLABを使えば、迅速に学習済みモデルを取り込み、可視化し、学習パラメータを調整しつつ、中間結果をデバッグできます。

2. 専門家になる前にディープラーニングを試す

MATLABであれば、使いながらディープラーニングの専門知識を身につけていくことができます。私たちのほとんどはディープラーニングの講義を受けたことがありません。実践を通して学ぶ必要があります。MATLABは、この分野についての学びを身近で実践的なものにしてくれます。あなたが専門とする業界や専門分野について知識を持たないデータサイエンティストに役目を引き渡す代わりに、その道の専門家が自らディープラーニングを実践していくことができるのです。

3. 静止画や動画のGround Truthラベリングを自動化

MATLABでは、静止画の場合には物体を対話的にラベル付けすることができ、動画の場合にはラベリングを半自動化することができます。こうしたラベルの情報はディープラーニングのモデルの学習とテストに使われるものですが、こうした対話的で自動化されたアプローチがより短時間でより良い結果を導くことにつながっていきます。

4. ディープラーニングのワークフローをひとつに統合

MATLABにより、複数の分野に渡るワークフローをひとつに統合することができます。アイデアの検討とプログラミングをひとつの環境で実現することができます。MATLABはディープラーニングに対してのみツールや機能を提供しているのではなく、ディープラーニングのアルゴリズムを適用することになる分野にも同様にツールや機能を提供します。これらの分野は信号処理やコンピュータビジョン、データアナリティクスなど、幅広い領域に広がっています。

MATLABを通して、既存のアプリケーションに得られた成果を統合していくことができます。MATLABを使えば、ディープラーニングのモデルをエンタープライズシステム、クラスター、クラウド、組み込みデバイスに展開していくプロセスを自動化することができます。

ディープラーニングの学習、適用に関するさらに詳しい情報は、MATLAB, Computer Vision Toolbox™, Statistics and Machine Learning Toolbox™, Deep Learning Toolbox™, と Automated Driving Toolbox™ でご覧いただけます。

MATLABを使用したディープラーニングの事例もご覧ください。