ビッグデータ分析で特に重要な「非構造化データ」における「コンピュータービジョン（画像解析）」とは―テクノロジー最前線 データアナリティクス&AI編（9）

DX（デジタルトランスフォーメーション）の進展とともにデータ利活用の需要が高まる中、組織が保有するデータ群（ビッグデータ）の「量（volume）」と「種類（variety）」の重要性が一層高まっています。

ビッグデータは「構造化データ」と「非構造化データ」に分けられますが、圧倒的にボリュームと種類が多いのが「非構造化データ」です。

顧客データや売上データなど、表形式で整理できる「構造化データ」に対し、画像、動画、音声、文書など、そのままでは定型的に扱えないのが「非構造データ」です。「構造化データ」は扱いやすい一方で、含まれる情報は限定されてしまうため、さまざまな課題を解決するために「非構造化データ」を処理・分析するニーズが高まっています。今回は、その「非構造化データ」の中でも代表的な画像データの処理を可能にする技術「コンピュータービジョン」について解説します。

1. コンピュータービジョンはどのようにして機能するのか

コンピュータービジョンのモデルは、作業の目的やアルゴリズムによってさまざまなものがあります。

典型的なモデルの一つは、「畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）」と呼ばれるものです。CNNは画像の特徴を抽出することができます。

例えば、私たちはどうやってある画像が猫であり、犬ではないと見分けているでしょうか？とがった耳と光る眼でしょうか？もちろん猫の画像には犬の画像と違った特徴が他にもいくつもあるはずです。

CNNは、人間が視覚によって画像を認識するのと同様の方法で画像を判別します。画像からその特徴を取り出して（この特徴は人間には理解できないものかもしれません）、それが何の画像であるかを判断するのです。ある特徴が猫のものであり、犬のものではないという判断ができるようにするために、猫か犬かのラベルが付けられた大量の画像をモデルに学習させます。何千回ものトレーニングを行うことでモデルは自動的に猫の画像を判別できるようになります。

一般的に、CNNモデルには2つのフェーズがあります。一つは特徴を抽出するフェーズ（Features extraction)、もう一つは分類のフェーズ(Classification)です（図1）。CNNを含むニューラルネットワークのアルゴリズムでは、インプット(画像を細かいセルに分けて数値化したもの）が多ければ多いほど、大量の計算リソースが必要となります。

図1：CNNモデル

CNNモデルの特徴抽出のフェーズには、通常2タイプの層があります。

１）畳み込み層（Convolutional layers）：画像の特徴を抽出

２）プーリング層（Pooling layers）：データの容量を縮小

特徴抽出のフェーズでは、

1. 畳み込み層でカーネルとの掛け合わせをし、画像データそのままではなく、画像の特徴を特徴マップとして抽出する
2. 1で得られた特徴マップをプーリング層でさらに圧縮し、分類フェーズのインプットの数を減らす

という処理が行われます。ニューラルネットワークのインプットの数が少なくなると、必要な計算リソースも減ります。

畳み込み層について少し詳しく見ていきます（図2）。畳み込み層では、インプットを「畳み込み演算」し、その結果を次の層に渡します。畳み込み演算には、正方形のカーネルが使われます。上の例では、まず、インプットの左上の3×3のセルにある数値を、3×3のカーネルの同じ位置にある数値と掛け合わせています。この掛け算の結果の総和がアウトプットの左上のマスに表示された「-5」となります。インプットのセルを一つずつずらして掛け算を行うことで、4×4のアウトプット(これは「特徴マップ」と呼ばれます）になります。カーネルの中の数値の初期値は全て「1」ですが、モデルの学習によって数値が決定されます。

図2：畳み込み層の計算プロセス

一方、プーリング層は、畳み込み層で計算した特徴マップを圧縮します。例えば、先ほど生成した4×4の特徴マップを2×2ごとに計算（手法により平均値や最大値を取る）して、新たに2×2ダウンサンプリング画像を生成します。これにより、カーネル形状の位置ずれを吸収することが可能となります。

次に、画像の分類のフェーズにおいては、分類のために全結合層（Fully Connected Layer）が使用されます。全結合層では、プーリング層で縮小された特徴マップのデータをインプットとし（図3のX1、X2）、図3のfの式である「活性化関数」により、特定の分類（図3のY）にどの程度紐づいているかが計算されます。それぞれのインプットがある分類に紐づく確率（w1、w2)はモデルの学習によって決定されます。

図3：全結合層の計算プロセス

モデルを構築する際に、層の数やカーネルの大きさを決定できます。しかしながら、カーネルが大きければ大きいほど、層が深ければ深いほど、より多くの計算リソースが必要になります。

CNNはディープラーニングの一種なので、pyTorchやtensorflowなど、どのディープラーニングのライブラリーでも使用可能なCNNモデルがいくつかあるため、それらのライブラリーを使用し、CNNモデルを作成することもできます。モデルの学習にはかなりの時間を要するため、事前にある程度の学習が済んでおり、必要な学習を追加的に行うだけで使用可能な、リソースを削減できるモデルもあります。

執筆者