はじめに
ディープラーニング、特に画像認識の分野で頻繁に登場するのが畳み込みニューラルネットワーク（CNN）です。そのCNNを構成する重要な要素の一つが、今回解説する「サブサンプリング層」です。
この層は、現在では「プーリング層 (Pooling Layer)」と呼ばれることのほうが一般的です。この記事では、初心者の方でも理解できるよう、サブサンプリング層（プーリング層）の役割や種類、具体的な動作について分かりやすく解説していきます。
サブサンプリング層（プーリング層）とは？
サブサンプリング層は、一言で言うと「情報を圧縮して、扱いやすくする層」です。CNNでは、「畳み込み層」という層で画像からエッジや色などの特徴を抽出します。サブサンプリング層は、その畳み込み層の後ろに配置されることが多く、抽出された特徴マップ（特徴の位置情報を持つデータ）のサイズを小さくする役割を担います。
元々は、CNNを初期に開発したヤン・ルカン氏らが「サブサンプリング層」と呼んでいましたが、現在では「プーリング層」という名称が広く使われています。
サブサンプリング層の主な役割
なぜ、せっかく抽出した特徴のサイズを小さくする必要があるのでしょうか。それには、主に3つの重要な目的があります。
- 1. データ量の削減（計算コストの低減）:
特徴マップのサイズを小さくすることで、その後の計算処理に必要な計算量やメモリ使用量を大幅に削減できます。 これにより、より高速で効率的な学習が可能になります。 - 2. 位置ずれに対する頑健性（ロバスト性）の向上:
画像の中の物体が少しだけ上下左右にずれていても、同じ物体として認識できる能力（位置不変性）を高めます。 サブサンプリング処理によって、特徴の細かい位置情報が少し曖昧になるため、わずかな位置の変化に影響されにくくなります。 - 3. 過学習の抑制:
学習データに過度に適応しすぎてしまい、未知のデータに対する予測精度が下がってしまう「過学習」を防ぐ効果があります。 データ量を削減し、細かい特徴を少しぼかすことで、モデルが本質的な特徴だけを学習するよう促します。
サブサンプリングの主な手法
サブサンプリングには、代表的な手法が2つあります。「最大プーリング」と「平均プーリング」です。 どちらも、特徴マップを小さな領域（例えば2×2ピクセル）に分割し、その領域の代表値を1つの値にまとめるという処理を行います。
| 手法 | 処理内容 | 特徴 |
|---|---|---|
| 最大プーリング (Max Pooling) | 各領域内から最大値を抽出する手法です。 | その領域で最も強く現れている特徴（例えば、エッジの最もシャープな部分など）を捉えるのに適しています。画像認識タスクでは非常に広く利用されています。 |
| 平均プーリング (Average Pooling) | 各領域内の値の平均値を算出する手法です。 | 領域全体の情報を均等に反映させることができます。 特徴を滑らかにしたり、背景などの大域的な情報を保持したりするのに向いています。 |
一般的に、物体の形状やエッジといった顕著な特徴を捉えたい場合は最大プーリングが、テクスチャ認識のように全体的な傾向を見たい場合は平均プーリングが使われる傾向にありますが、どちらが優れているかはタスクによります。
Python (Keras) での実装例
実際にディープラーニングのフレームワークでどのように使われるのか、PythonのライブラリであるKerasを使ったコード例を見てみましょう。
以下は、畳み込み層の後に最大プーリング層と平均プーリング層を追加する簡単な例です。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, AveragePooling2D
# ■ 最大プーリングを使用するモデル
model_max = Sequential()
# 32個の3x3フィルターを持つ畳み込み層
model_max.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)))
# 2x2の領域で最大プーリングを実行
# これにより特徴マップの縦横のサイズが半分になる
model_max.add(MaxPooling2D(pool_size=(2, 2)))
model_max.summary()
# ■ 平均プーリングを使用するモデル
model_avg = Sequential()
# 32個の3x3フィルターを持つ畳み込み層
model_avg.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)))
# 2x2の領域で平均プーリングを実行
model_avg.add(AveragePooling2D(pool_size=(2, 2)))
model_avg.summary() このように、MaxPooling2DやAveragePooling2Dといった関数をモデルに追加するだけで、簡単にサブサンプリング（プーリング）を実装できます。
まとめ
今回は、ディープラーニングにおける「サブサンプリング層（プーリング層）」について解説しました。
- 畳み込み層で抽出した特徴マップの情報を圧縮する役割を持つ。
- 「プーリング層」という名前で呼ばれるのが一般的。
- 主な目的は、計算コストの削減、位置ずれへの対応、過学習の抑制。
- 代表的な手法に「最大プーリング」と「平均プーリング」がある。
サブサンプリング層は、CNNの精度と効率を両立させるために不可欠な技術です。ディープラーニング、特に画像認識モデルの仕組みを理解する上で、この層の役割を把握しておくことは非常に重要です。