AI、人工知能、機械学習、深層学習

1. 転移学習やってみた！
アサヒビジネスソリューションズ
百足山 実花

2. 自己紹介
1
名前：百足山 実花(むかでやま みか)
所属：アサヒビジネスソリューションズ株式会社
好きなお酒：ビール、シードル
趣味：映画＆海外ドラマ鑑賞
(Prime、Hulu、Netflix入会済み)
2017年入社。大学において深層学習を研究テーマとしていたことも
あり、入社早々に機械学習および深層学習を用いたプロジェクトに
参画。AIコミュニティ「AI×Analytics×女子部」の主催者でもある。

3. 分類モデル
2
# 技術カテゴリ 目的 例
1
画像分類
（Classification）
クラス分類
2
物体検出＋分類
（Localization＋Classification）
位置特定（単一）
クラス分類
3
物体検出
（Object Detection）
位置特定（複数）
クラス分類
4
オブジェクト領域分割
Semantic Segmentation
輪郭特定
クラス分類

4. 全結合ニューラルネットワーク
3
逆伝播する誤差をベースとして、勾配降下法によりウェイトとバイアスを算出します。
逆伝搬
結果：0.47 期待値：1
誤差：0.53
結果：0.52 期待値：0
誤差：0.48
勾配降下法

5. 今回のように画像分析を実施する場合
4
畳み込みニューラルネットワーク（CNN：Convolutional Neural
Network ）を利用することで画像の分析が可能になる。
猫

6. CNN：Convolutional Neural Network
5
畳
み
込
み
層
プ
ー
リ
ン
グ
層
畳
み
込
み
層
プ
ー
リ
ン
グ
層
ド
ロ
ッ
プ
ア
ウ
ト
全
結
合
層
活
性
化
関
数
畳
み
込
み
層
プ
ー
リ
ン
グ
層
入
力
層
出
力
層
畳
み
込
み
層
プ
ー
リ
ン
グ
層
正解データ 𝑦’
𝑦
損失関数
（交差クロスエントロピー 他）
最適化手法
（勾配降下法 他）
New!
CNNは基本的に畳み込み層とプーリング層から成り立っているニューラルネットワークです。
よって、基本的に畳み込み層とプーリング層について紹介します。

7. 畳み込み層
6
出典：https://www.renom.jp/
畳み込み層は２つの学習可能なパラメータ、ウェイト(weight)とバイアス(bias)を
持った層です。そして特にこれをカーネル（フィルタ）と呼びます。それぞれの
カーネルは画像に全体に沿って畳み込みの計算が行われます。
フィルタ
畳み込み前データ
畳み込み後データ

8. プーリング層①
7
出典：https://www.renom.jp/
Max Pooling
Max Pooling層は適用されたカーネル内の最大値を取る層です。以下の画像は
Max Pooling層のプロセスを表した画像です。

9. プーリング層②
8
出典：https://www.renom.jp/
Average Pooling
Average Pooling層は適用されたカーネル内の画像の値(画素)の平均値を取りま
す。以下の画像はAverage Pooling層のプロセスを表した画像です。

10. 代表的モデル：VGG16
9
VGG モデルはオックスフォード大学のVGG チームが作成した、層の深さを追求したモデルの通
称で、ILSVRC-2014 (ImageNet Large Scale Visual Recognition Challenge) というコンテストにおいて第
2位の成績を残しました。

11. 代表的モデル：InceptionV3(GoogLeNet)
10

12. 代表的モデル：InceptionV3(GoogLeNet)
11
InceptionV3は、ILSVRC-2014というコンテストにおいて優勝したGoogLeNetの最新版で、複数の畳
み込み層やpooling層から構成されるInceptionモジュールと呼ばれる小さなネットワークを通常の
畳み込み層のように重ねていくことで構成されたネットワークです。

13. CNNの分類対象
12
学習対象となる画像は以下の3点。それぞれの画像を分類できることを目指す。

14. CNN（VGG16）の実行
13
左グラフは、単純に正解率と考え、右グラフは正解との誤差と考えてください。

15. 認識精度向上策（転移学習）
14
• 1,400万枚を超える画像
• 画像に写っている物体名（クラス名）を付与
• 物体名（クラス名）は2万種類以上
IMAGE NET
優秀なネットワークに大量のデータを学習させた、学習済みモデルを活用する。
学習済みモデルは、Weight（重み）が最適化されており、他の画像を学習する
際も、イチから学習するより、はるかに効率の良い学習が可能となる。

16. 認識精度向上策（転移学習）
15
優秀なネットワークでも、そのまま利用することはできない。「入力層」と
「出力層（と少し手前の全結合層）」をデータに合わせて調整する。

17. VGG16転移学習モデルの作成
16
（中略）
一部は学習させないようにしないと意味がない
学習させないよう変更
入力のカタチにあわせる
後半は学習させたい

18. VGG16転移学習モデルの改修
17
（中略） （中略）
Before After

19. CNN（VGG16：転移学習）の実行
18
左グラフは、単純に正解率と考え、右グラフは正解との誤差と考えてください。

20. VGG16 vs VGG16(転移学習)
19
VGG16 （転移学習無し） VGG16（転移学習有り）

21. 終わり
20
ご清聴いただきありがとうございました。