Deep learningで画像認識④〜畳み込みニューラルネットワークの構成〜

今回は、畳み込みニューラルネットワーク（CNN）が、なぜ画像認識に適しているのかを理解するために、CNNの各層の働きに注目して構造を見ていきます。 前回、前々回の記事 Deep learningで画像認識②〜視覚野と畳み込みニューラルネットワーク 〜 Deep learningで画像認識③〜ネオコグニトロンとは？〜 でも紹介しましたが、CNN（畳み込みニューラルネットワーク）では、 ① 畳み込みフィルタ層：画像の濃淡パターンを検出する（エッジ抽出等の特徴抽出） ② プーリング層：物体の位置が変動しても同一の物体であるとみなす（位置ズレを許容する） これらの層を組み合わせることによって、画像から特徴量を抽出する働きを担っています。 一方、特徴量を抽出するだけでは、画像の識別はできません。識別には、「特徴量に基づいた分類」が必要です。この分類の役割を担っているのが、全結合層と出力層です。 ③