
画像の端っこも見落とさない!外枠を埋める「パディング」
第6回(通算第26回)(学ぶキーワード:パディング)
前回は、AIの目の歩幅を決める「ストライド」を学びました 🏃♂️
でも、ここで新たな疑問が浮かんできませんか? 🤔
「画像の真ん中は何度も見ているけど、端っこって1〜2回しか見られてなくない?」
「畳み込みを繰り返すたびに、どんどん画像が小さくなっちゃうんだけど… 💦」
その通り!そのまま畳み込みを行うと、画像の端にある大切な情報が消え、サイズも急速に縮小 してしまいます 😱
この問題を解消する救世主が、今回学ぶ パディング(Padding) です
G検定で問われる「目的」「種類(Valid / Same)」「出力サイズ計算」の肝をぎゅっと凝縮して解説します 💡
1. 読み方
用語解説 📖
パディング
読み方:ぱでぃんぐ
英語:Padding(意味:詰め物をする、余白を空ける)
G検定では「パディングの目的」と「ストライドとの違い」を識別させる問題が頻出です 🎯
2. 意味(定義)
端っこは見落とされやすい? 🥺
スマホで写真を撮るとき、端に写っている人の顔が半分切れてしまったり、見落とされそうになった経験はありませんか? 📸
CNNの畳み込みも全く同じなんです!
画像の中央付近はフィルタ(虫眼鏡)が何度も重なって通過しますが、四隅や端のピクセルは数回しか通過しません 😿
さらに、パディングなしで畳み込みを続けると、層を深めるごとに画像の縦横サイズがどんどん削られてしまいます ✂️
パディングの定義と本質
パディングとは、
「入力画像の外側に一定の値(0など)を敷き詰めて余白を作り、端の情報の消失防止と出力サイズの維持を行う処理」
のことです 🎯
一言で言えば、「画像を守る外枠(フレーム)🖼️」 です!
2大パディング手法(G検定の最頻出!)
試験に出る主なパディングの種類を2つ押さえましょう 秤
Validパディング(パディングなし)
周囲に余白を一切追加しない手法(P=0)
畳み込みを行うたびに、出力サイズは元画像より小さくなる
Sameパディング(サイズ維持パディング)
入力と出員の空間サイズ(縦・横)が同じ(Same) になるよう自動で周囲に余白を追加する手法
ディープラーニングを何十層も深く重ねる現代のCNNでは、このSameパディングが標準的に使われます 🌟
主な埋め方(ゼロパディング)
追加する余白のマス目には、通常「0(ゼロ)」 を埋めます(=ゼロパディング)。
0を掛けても計算結果に悪影響を与えないため、最も安全かつ計算がシンプルだからです 💡
3. 歴史・背景
なぜ層を深くできなかったのか? 🏛️
「CNNの層をどんどん深くして、もっと賢いAIを作りたい! 🚀」
初期の研究者たちは意気込みましたが、すぐに大きな壁にぶつかりました 🧱
パディングなしで畳み込みを10回、20回と繰り返すと、画像サイズが小さくなりすぎて情報が枯渇してしまったのです 😭
「なら、最初から画像の外側に0の壁を作ってサイズが変わらないようにすれば、何十層でも重ねられるのでは? 🤔」
この発想の転換(Sameパディングの標準化)によって、CNNは50層、100層といった超深層化(ResNetなど)を実現 できるようになりました
現在では顔認証、自動運転、医療画像診断、衛星解析など、あらゆる画像認識AIのベースを支えています 🚗 🩺
4. 比較・対比(パディング vs ストライド)
紛らわしい2大設定値を一発で整理しましょう ⚖️
パディング(Padding)
役割:画像の外枠に余白(0など)を追加する
画像サイズへの影響:大きくすると出力サイズが大きく(または維持)なる
覚え方:「余白」 🖼️
ストライド(Stride)
役割:フィルタの移動間隔(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(間引く)
覚え方:「歩幅」 🏃♂️
「歩幅を広げるストライド」と「外枠を広げるパディング」、真逆の役割として整理するのがコツです 👍
5. 活用シーン(実社会での役割)
1. 自動運転の道路標識・歩行者検知 🚗
画面の端ギリギリに飛び出してきた歩行者や標識を認識する際、パディングがあるおかげで端のピクセルも畳み込みの対象になり、見落としを防ぎます。
2. 超深層CNN(ResNet等)の構築 🏗️
100層を超える深層ネットワークでも、Sameパディングを使って途中の特徴マップサイズを維持・制御することで、勾配損失を防ぎ安定した学習を可能にします。
6. G検定での出題傾向と計算対策
G検定で絶対に得点源にしたいポイントです 📝
よく出るポイント 🎯
目的:端の情報保持(端のピクセルの計算回数を増やす)、出力サイズの縮小防止
Valid vs Same:Validは余白なしで小さくなる、Sameは入出力サイズを揃える
ゼロパディング:追加する余白の値として「0」を使うのが最も一般的
サイズ計算の適用:公式 O = (W - F + 2P) / S + 1 における 「2P」の意味(左右/上下の2マス分に余白が付くためPの2倍を加算する)
頻出のひっかけパターン ⚠️
「パディングを行うと新しい特徴データが画像に追加される」(誤り ➡️ 0を埋めるだけなので新情報は増えない)
「Sameパディングを適用すると、出力サイズは入力サイズの2倍に拡大する」(误り ➡️ 入力と同じサイズに『維持』する)
「パディングはフィルタの歩幅(移動間隔)を設定するパラメータである」(誤り ➡️ それは『ストライド』)
7. G検定の例題
問題1(最頻出:基礎問題)
CNNにおけるパディング(Padding)の主な目的として、最も適切なものはどれか。
① 画像の周囲に余白を追加し、端の情報の消失防止や出力サイズの維持を行う
② フィルタの移動幅を大きくして、処理速度を向上させる
③ 特徴マップから最大値を取り出し、データ量を削減する
④ ネットワークの学習率を自動的に最適化する
問題2(手法・用語)
入力画像と同じ縦横サイズのまま特徴マップを出力させたい場合に使用するパディング処理の名称として、最も適切なものはどれか。
① Valid パディング
② Same パディング
③ Full パディング
④ Zero ストライド
問題3(応用・ひっかけ)
畳み込み処理におけるパディングとストライドに関する記述として、正しいものはどれか。
① パディングで値を埋めることで、モデルが学習すべき重みパラメータ数が大幅に増加する
② ストライドを大きくすると出力サイズは小さくなり、パディング(P)の値を大きくすると出力サイズは大きくなる
③ Validパディングを行うと、入力サイズよりも出力サイズが必ず大きくなる
④ パディングには必ず画像全体の平均値を埋め込まなければならない
8. 例題の回答と解説
【問題1:回答】①
解説:①が正解です!画像の周囲に余白(主に0)を追加し、端の情報を保持&サイズを維持します。②はストライド、③はプーリング層(Max Pooling)の説明です 💡
【問題2:回答】②
解説:②が正解です!入力と出力の空間サイズを「同じ」に保つ手法を Same パディングと呼びます。Valid パディングは余白なし(縮小する)の手法です 🔍
【問題3:回答】②
解説:②が正解です!公式 O = (W - F + 2P) / S + 1 より、分母のSが大きいと小さくなり、分子のPが大きいと大きくなります。①パディングは重みパラメータ数に影響しません 🧮
9. Anki用 一問一答データ
暗記アプリ(Ankiなど)に取り込めるテキスト形式です 📲
パディング(Padding)の主な目的は?:画像の端の情報の消失を防ぎ、出力サイズを維持・調整すること
入力と出力の空間サイズを同じにするパディング手法は?:Sameパディング
余白を一切追加しない(P=0)パディング手法は?:Validパディング
一般的に余白として埋められる数値は?:0(ゼロパディング)
パディングとストライドの違いは?:パディングは余白追加、ストライドはフィルタの移動幅(歩幅)
パディングを行うことで学習すべき重みパラメータ数は増えるか?:増えない(余白を追加するだけでフィルタ自体は変わらない)
まとめ
★絶対に覚えておくべき3点 📌
パディングは「画像の周囲を埋める余白(外枠)」!端の情報保持とサイズ維持が目的 🖼️
入出力サイズを揃える「Same」、余白なしの「Valid」の違いくらいは頭に叩き込む 💡
ストライド=歩幅、パディング=余白! パラメータ数はどちらも増えない ⚖️
次回予告 📣
ここまでで、CNNの基本構造(畳み込み・プーリング・ストライド・パディング)が出揃いました 👏
「基本は分かったけど、実際のAIモデルはどう発展してきたの? 🤔」
次回は、画像認識の歴史を変えたオールスター選手たち、
AlexNet、VGG、ResNet の進化の歴史を紐解きます!
G検定で超頻出のモデル比較を楽しく学んでいきましょう!