プーリング (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

プーリングとは、畳み込み層（画像の一部分に注目してパターンを検出する処理を行う層）が出力した特徴マップ（畳み込み処理によって画像から抽出された特徴を並べたデータ）を、小さな領域（例えば2×2のウィンドウ）ごとに1つの値へ集約する演算です。縦横方向のサイズを縮小します。

畳み込み層とセットでCNNの基本構成要素として使われ、代表的な手法にマックスプーリング（小さな領域の中から最大値だけを取り出す処理）とアベレージプーリング（小さな領域内の値の平均を取り出す処理）があります。

CNNは畳み込み層で画像の特徴を抽出しますが、特徴マップのサイズが大きいまま後段の層へ渡すと問題が生じます。計算量やパラメータ（モデルが学習によって調整する内部の数値）の数が膨らみ、過学習（学習データに適合しすぎて未知のデータへの対応力が落ちる現象）のリスクも高まるためです。

この課題に対し、プーリング層で特徴マップを段階的に縮小するダウンサンプリング（データのサイズを間引いて小さくする処理）を行いながら、重要な特徴を保持する構成が採られてきました。畳み込み層とプーリング層を交互に重ねる構造は、CNNの基本形として広く使われています。

2. 試験対策ポイント

まず整理しておきたいのは、プーリング層が畳み込み層と異なり、学習によって更新される重みパラメータを持たない固定演算だという点です。畳み込み層の重みは学習によって最適化されますが、プーリングは最大値や平均値を計算するだけの処理であり、各チャンネル（画像データの色や特徴の種類ごとに分かれた層の数。深さとも呼ばれます）ごとに独立して動作します。

プーリングの効果としては、画像内の物体の位置が数ピクセルずれても出力が大きく変わらない、位置ずれ（平行移動）への頑健性が挙げられます。あわせて特徴マップの縮小によるパラメータ数・計算量の削減、そして過学習の抑制も効果として押さえておきたいところです。

プーリングの代表的な手法は3つあり、小さな領域から値を取り出すやり方と使いどころがそれぞれ違います。名称と役割の対応を並べると次のとおりです。

手法	値の取り出し方	特徴・使いどころ
マックスプーリング	小さな領域内の最大値を採用	画像認識タスクで広く使われる
アベレージプーリング	小さな領域内の平均値を採用	出力がより滑らかになる
グローバルアベレージプーリング（GAP）	特徴マップ全体をチャンネルごとに平均	全結合層の代替として使われる場合がある

このうちグローバルアベレージプーリング（GAP）とは、特徴マップ全体をチャンネルごとに1つの平均値へまとめる処理です。ここでいう全結合層（すべてのニューロンを結合して最終的な判断を行う層）の代わりに置くことで、その手前までに得られた特徴をチャンネル単位の平均値だけで受け渡す構成になります。

それぞれの計算方法や使い分けの詳細は個別の解説に譲りますが、名称と大まかな役割の違いは区別しておきたいところです。

3. 関連概念との比較・相違点

畳み込み層との最大の違いは、学習パラメータの有無にあります。畳み込み層は内部の重みを学習によって最適化しますが、プーリング層は最大値や平均値を求めるだけの固定演算であり、学習によって更新されるパラメータを持ちません。

2つの層は、学習の対象になるかどうかと担う役割の両面で対になっています。

観点	畳み込み層	プーリング層
学習パラメータ	内部の重みを学習によって最適化する	持たない固定演算
行う計算	フィルタを当ててパターンを検出する	小領域の最大値や平均値を求める
担う役割	画像から特徴を抽出する	特徴マップのサイズを縮小する

CNNの設計では、畳み込み層で特徴を抽出したあとにプーリング層でサイズを縮小するという役割分担が基本になっています。

ストライド（フィルタを動かす際の移動幅）付き畳み込みとの違いも、取り違えやすい点です。どちらも特徴マップを縮小する点は共通ですが、プーリングは畳み込み層が出力した特徴マップに対して独立して行われる縮小操作です。

近年のアーキテクチャでは、プーリング層を使わずストライド付き畳み込みでダウンサンプリングする設計も採られています。DCGAN（畳み込み層を用いた画像生成モデルの一種）の識別器（生成された画像が本物か偽物かを判定する役割を担う部分）がその例として挙げられます。

4. ビジネス・実務での活用シナリオ

製造業の外観検査では、カメラで撮影した製品画像をCNNで検査する仕組みが使われています。プーリングによる位置ずれへの頑健性は、製品の撮影位置が数ミリずれても欠陥検知の精度を安定させる効果を持ちます。検査対象の位置合わせに厳密さを求めなくても、一定の精度で異常を検出できる仕組みが実現します。

医療画像診断の分野でも、CT・MRI画像から病変を検出するモデルにプーリングが組み込まれています。特徴マップの縮小によって計算負荷を抑えながら、病変の位置が多少ずれていても検出精度を保てる点が実務上の利点です。限られた計算資源で運用する医療機関のシステムでも、安定した検出性能につながります。

スマートフォンやエッジ機器（データが発生する現場の近くで情報を処理する機器）の画像認識でも、プーリングは重要な役割を果たします。カメラアプリの物体認識モデルを端末上で動かす際、プーリングによるパラメータ削減はモデルの軽量化・省メモリ化に寄与し、限られた計算資源でも一定の精度で動作する土台になります。

5. 要点まとめ

プーリングは畳み込み層が出力した特徴マップを小領域ごとに1つの値へ集約し、縦横サイズを縮小する演算で、学習パラメータを持たない固定演算です。
効果として位置ずれ（平行移動）への頑健性、パラメータ数・計算量の削減、過学習の抑制が挙げられ、代表的な手法にマックスプーリング・アベレージプーリング・グローバルアベレージプーリング（GAP）があります。
近年のアーキテクチャではプーリング層を使わずストライド付き畳み込みでダウンサンプリングする設計（DCGANの識別器など）も採られており、プーリングは必須ではなく設計選択の一つという位置づけにあります。