// シス担のミカタ
コンピュータービジョン

フィルタ / カーネル（CNN） ふぃるた / かーねる（しーえぬえぬ）

フィルタカーネルCNN畳み込み特徴検出パラメータ共有
フィルタ / カーネル（CNN）について教えて

簡単に言うとこんな感じ！

CNNのフィルタ（カーネル）は「特定のパターンを探す虫眼鏡」みたいなものだよ。3×3の小さな行列が画像全体をスライドしながら「この辺にエッジがあるか？」と確認していく。フィルタの重みはランダムから始まり、学習で「何を検出すべきか」を自動で学ぶんだ！

フィルタ / カーネルとは

フィルタ（Filter） またはカーネル（Kernel） は、CNNの畳み込み層に含まれる小さな重み行列です。入力画像や特徴マップの局所領域（受容野）との内積を計算することで、その領域における特定の特徴の強さを検出します。

フィルタは学習によって最適化されます。初期値はランダムですが、バックプロパゲーションを通じて「損失が小さくなるような特徴を検出するフィルタ」に更新されます。結果として、人間が意図しなくてもエッジ検出・ブラー・シャープネスなどに対応するフィルタが自然と学習されます。

CNNでは同じフィルタを入力全体にスライドさせるパラメータ共有を行います。これにより、3×3フィルタは画像のどの位置に同じパターンが現れても検出でき、かつパラメータ数を大幅に削減できます。

フィルタの例

# エッジ検出フィルタの例（手作りの古典的フィルタ）
Sobel（縦エッジ検出）:    Laplacian（全方向エッジ）:
[-1  0  1]               [0 -1  0]
[-2  0  2]               [-1  4 -1]
[-1  0  1]               [0 -1  0]

# CNNではこれらを人間が設計するのではなく、
# 学習によって自動的に最適なフィルタが決まる
import torch.nn as nn

# 1つの畳み込み層は「out_channels個」のフィルタを持つ
conv = nn.Conv2d(
    in_channels=3,    # 入力チャンネル（RGB=3）
    out_channels=64,  # フィルタの枚数
    kernel_size=3     # 各フィルタのサイズ（3×3）
)
# フィルタの形状: (64個, 3チャンネル, 3×3) = 1,728パラメータ
print(conv.weight.shape)  # → torch.Size([64, 3, 3, 3])

歴史と背景

  • 1960〜70年代：画像処理でSobel・Prewittなどの手作りフィルタが使われる
  • 1989年：LeCunのLeNetでフィルタの重みを学習で決める手法を提案
  • 2012年：AlexNetでAlexeyらが多数のフィルタを重ねた深いCNNの有効性を実証
  • 現在：深層学習のフィルタは完全に学習で決まり、人間には解釈しにくい抽象的な特徴を学習している

フィルタサイズの選択

フィルタサイズ受容野の広さ主な用途
1×1なし（チャンネル変換のみ）次元削減、非線形性追加
3×3局所（最もよく使われる）一般的な特徴検出
5×5やや広い初期のCNN。現在は3×3を2回重ねる方が多い
7×7広い最初の層でのみ使うことがある（ResNetなど）
深さ方向（Depthwise）チャンネルごとMobileNetの軽量化

関連用語