
何マスずつ進む?AIの目の動かし方「ストライド」
第5回(通算第25回)(学ぶキーワード:ストライド)
前回は、画像の重要な特徴をギュッとまとめて位置ズレに強くする「プーリング層」を学びました 🗜️
でも、ここでひとつ疑問が湧いてきませんか? 🤔
「AIの虫眼鏡(フィルタ)って、1マスずつチマチマ動かさなきゃいけないの?」
「2マス、3マスとジャンプして動かしたら、何が変わるんだろう?」
実は、このAIの「歩幅」を決める重要な設定こそが、今回学ぶ ストライド(Stride) です 🏃♂️💨
これを知ると、CNNの計算効率と精度のトレードオフがスッキリ理解できるようになりますよ 💡
1. 読み方
用語解説 📖
ストライド
読み方:すとらいど
英語:Stride(意味:大股で歩く、歩幅、進む間隔)
G検定では「ストライドを大きくしたときの出力サイズや計算量の変化」を問う問題が超・頻出です 🎯
2. 意味(定義)
AIの「歩幅」ってどういうこと? 👟
広大な体育館で落とし物を探すシーンを想像してみてください 🔍
1歩ずつ慎重に進めば、小さな鍵でも見落とさずに見つけられますよね ✨(=精度重視)
でも、とにかく時間がかかって日が暮れてしまいます 🌇
逆に、3歩ずつ大股でダッシュして探せば、あっという間に全体を調べられます ⚡(=速度重視)
ただし、小さな落とし物を見落とすリスクは上がってしまいますよね 💦
「この歩幅、AI画像認識でもまったく同じことが起きているんです!」
ストライドの定義と本質
ストライドとは、
「畳み込み処理やプーリング処理で、フィルタが画像上を何マス(何ピクセル)ずつ移動するかを決める値」
のことです 🎯
一言で言えば、「AIの歩幅 🐾」!
出力サイズとの密接な関係 📐
ここ、試験対策として超重要なポイントです! ⚠️
ストライドが小さい(S=1など) 🐢
フィルタを1マスずつ動かす
特徴を細かく拾えるため 高精度になりやすい
計算回数が多く、出力サイズ(縦・横)は大きめ
ストライドが大きい(S=2以上など) 🐇
フィルタを数マス飛ばしで動かす
特徴を大まかに間引いて抽出するため 処理が高速化する
計算回数が減り、出力サイズ(縦・横)は小さく(縮小)なる
つまり、ストライドを大きくすることは、実質的に「画像サイズをダウンサンプリング(圧縮)する」効果も持っているのです 💡
3. 歴史・背景
なぜ「飛ばして見る」必要があったの? 🏛️
初期のCNNが登場したとき、研究者たちは大きな壁にぶつかりました 🧱
「画像を1ピクセルずつ細かく畳み込んでいたら、高解像度画像になるほど計算量が爆発してスマホや車載カメラで動かない…! 😱」
そこで研究者たちはひらめきます 💡
「すべての場所を1マス刻みで見なくても、隣り合うピクセル同士の情報って似ているよね? 2マスずつ飛ばして計算すれば、計算量を一気に削れるのでは? 🤔」
この発想から、ストライドによる計算量コントロールが標準化されました 🚀
現代AI(ResNetなど)での重要な役割 🤖
現代の最新CNN(ResNetなど)では、あえて「プーリング層を使わずに、畳み込み層のストライドを2にする(Stided Convolution)」ことで、画像を小さくしながら特徴を抽出する手法が主流になっています 🌟
自動運転AIやスマホの顔認証 🚗 📱
1秒間に何十フレームも処理するため、大きめのストライドで リアルタイム性を確保
医療画像診断や工場の傷検査 🩺 🏭
わずかな異変も見逃せないため、ストライドを小さくして 細部を厳密に抽出
現場では、このトレードオフを考えてストライドを調整しているんですね 調整
4. 比較・対比(ストライド vs パディング)
G検定で受験者が最も混乱しやすい2大設定値を比べます ⚖️
ストライド(Stride) 🏃♂️
役割:フィルタの移動幅(歩幅)を決める
画像サイズへの影響:大きくすると出力サイズが小さくなる
主な目的:計算量の削減とダウンサンプリング
パディング(Padding) 枠
役割:画像の外側に余白(0など)を追加する
画像サイズへの影響:追加すると出力サイズが大きくなる(維持できる)
主な目的:端の情報の保持とサイズ調整
「ストライドは歩幅!パディングは余白!」
この違いをパッと答えられるようにしておきましょう 👍
5. G検定での出題傾向と計算テスト対策
G検定で絶対に落とせない「出力サイズの計算」と「特徴」のまとめです 📝
よく出るポイント 🎯
ストライドを大きくするメリット:計算回数が減り、処理スピードが上がる ⚡
ストライドを大きくするデメリット:解像度が落ち、細かな特徴を見落とすリスクがある 👁️
サイズ計算問題(超重要!):入力サイズ W、フィルタサイズ F、パディング P、ストライド S としたときの出力サイズ O の公式
$$O = \frac{W - F + 2P}{S} + 1$$
※ストライド S は分母に来るため、S が大きくなると出力サイズは小さく(割り算)なる ことを数値感覚として叩き込みましょう! 🧮
頻出のひっかけパターン ⚠️
「ストライドを大きくすると、出力される特徴マップの縦横サイズが拡大する」(誤り)
➡️ 割り算されるため『縮小』する
「ストライドは画像の周囲にピクセルを追加する手法である」(誤り)
➡️ それは『パディング』
「ストライドを大きくすると学習する重みパラメータ数が増加する」(誤り)
➡️ フィルタの移動幅を変えるだけなのでパラメータ数は変わらない
6. G検定の例題
問題1(基礎・効果)
CNNにおいて、畳み込み層のストライド(Stride)を「1」から「2」に変更した際に生じる変化として、最も適切なものはどれか。
① フィルタのパラメータ数が2倍に増加する
② 特徴マップの出力サイズが小さくなり、計算量が削減される
③ 入力画像の周りに2ピクセル分の余白データが自動的に付与される
④ 画像の端にある特徴が抽出されにくくなるため、必ず精度が向上する
問題2(ひっかけ・比較)
CNNの設定値である「ストライド」と「パディング」に関する記述として、正しいものはどれか。
① ストライドは画像の周囲に値を埋める処理であり、パディングは移動間隔を決める処理である
② パディングサイズを大きくすると出力サイズは小さくなり、ストライドを大きくすると出力サイズは大きくなる
③ ストライドを大きくしても、畳み込み層が持つ重みパラメータの数自体は変化しない
④ プーリング層ではストライドを設定することができず、常に1固定で計算される
問題3(計算の概念)
縦横10ピクセルの画像に対して、5×5のフィルタをパディングなし(P=0)、ストライド2(S=2)で畳み込み処理を行った。出力される特徴マップの縦横サイズとして正しいものはどれか。
① 3ピクセル
② 4ピクセル
③ 5ピクセル
④ 6ピクセル
7. 例題の回答と解説
【問題1:回答】②
解説:②が正解です!歩幅(ストライド)を大きくすると計算回数が減るため、出力サイズは小さくなり処理が速くなります。パラメータ数はフィルタの大きさで決まるため変化しません 💡
【問題2:回答】③
解説:③が正解です!ストライドは「移動のさせ方」の設定なので、重みパラメータ数には影響しません。
①は定義が逆、②はサイズ変化が逆、④プーリング層でもストライド(S=2など)は普通に使われます 🔍
【問題3:回答】①
解説:①が正解です!
公式:$(10 - 5 + 0) / 2 + 1 = 5 / 2 + 1 = 2.5 + 1$
端数は切り捨てて 2 + 1 = 3 となるため、出力は「3ピクセル」です 🧮
(実際には $1, 3, 5$ マス目にフィルタの左端が位置して合計3回計算します)
8. Anki用 一問一答データ
ストライド(Stride)の主な役割は?, 畳み込みやプーリングでフィルタが移動する間隔(歩幅)を決めること
ストライドを大きくすると出力マップのサイズはどうなる?, 小さく(縮小)なる
ストライドを大きくする最大のメリットは? , 計算回数が減り、処理速度が向上すること
ストライドを小さくする(S=1など)メリットは?, 細かな特徴を取りこぼさず抽出でき、高精度になりやすいこと
ストライドとパディングの違いは?, ストライドはフィルタの移動間隔、パディングは画像端の余白追加
ストライド変更によって畳み込みフィルタの重みパラメータ数は変化するか?, 変化しない(計算位置の間隔が変わるだけ)
まとめ
★絶対に覚えておくべき3点 📌
ストライドはAIの「歩幅」!大きくすると計算が速くなり、小さくすると細かく見られる 🏃♂️
ストライドを大きくすると出力サイズは「小さく」なる(公式の分母に来る) 🧮
パディング(余白追加)と混同しない! 重みパラメータ数は変わらない! ⚖️
次回予告 📣
ストライドによって「AIの歩幅」を自在にコントロールできるようになりました 👏
でも、ここで新たな問題が浮かび上がります。
「フィルタを動かしていくと、画像の『端っこ』の情報って何回も計算されないから消えやすくなっていかない? 🥺」
「畳み込みを繰り返すと、どんどん画像が小さくなって困るんだけど… 💦」
その問題をズバッと解決するのが、今回何度も名前が出てきた パディング(Padding) です!