画像分類

画像分類 (Image Classification) は、入力画像に対して「犬」「猫」「自動車」などの事前定義されたクラスラベルを付与するタスクである。コンピュータビジョンにおける最も基本的な問題であり、2012 年の AlexNet による ImageNet チャレンジでの圧勝が深層学習ブームの起点となった。

現在では ResNet、EfficientNet、Vision Transformer (ViT) などのアーキテクチャが ImageNet で人間を超える精度を達成している。画像分類で学習した特徴表現は、物体検出やセグメンテーションなど下流タスクのバックボーンとしても広く活用される。

• 単一ラベル分類: 画像に 1 つのクラスを割り当てる最も基本的な形式。softmax 関数で各クラスの確率を出力し、最大確率のクラスを予測とする
• マルチラベル分類: 1 枚の画像に複数のラベルを同時に付与する。各クラスに独立した sigmoid を適用し、閾値を超えたクラスをすべて予測する
• ゼロショット分類: CLIP のようなモデルを用いて、学習時に見たことのないカテゴリに対しても分類を行う。テキストと画像の共通埋め込み空間を利用する

評価指標にはトップ 1 精度 (正解が最上位予測と一致する割合) とトップ 5 精度 (正解が上位 5 予測に含まれる割合) が標準的に使用される。実応用では混同行列、適合率、再現率、F1 スコアでクラスごとの性能を詳細に分析する。データの不均衡に対しては、重み付き損失関数やオーバーサンプリングで対処する。知識蒸留によりモデルを軽量化し、エッジデバイスへの展開も進んでいる。