SoTA

私たちは普段、意識することなく目で見たものを認識し、理解しています。これは人間にとってごく自然な行為ですが、コンピューターにとっては非常に難しい処理です。コンピューターに画像を認識させるためには、これまで「畳み込みニューラルネットワーク（CNN）」と呼ばれる技術が主に用いられてきました。CNNは画像データの特徴を効率的に学習できるため、画像認識の分野を大きく発展させてきました。しかし、2020年にGoogleが発表した「Vision Transformer（ビジョントランスフォーマー）」は、CNNとは全く異なるアプローチで画像認識を行う革新的な技術として注目を集めています。Vision Transformerは、自然言語処理の分野で成功を収めている「Transformer」という技術を応用したものです。Transformerは、文章を単語ごとに分割し、単語同士の関係性を分析することで、文章の意味を理解します。Vision Transformerは、この仕組みを画像認識に応用し、画像をパッチと呼ばれる小さな領域に分割し、パッチ同士の関係性を分析することで、画像に何が写っているのかを認識します。従来のCNNは画像の局所的な特徴を捉えることに優れている一方で、画像全体の関係性を捉えることは苦手でした。しかし、Vision Transformerは画像全体の関係性を捉えることができるため、従来のCNNを超える精度で画像認識を行うことが可能になりました。これは、画像認識技術の新たな時代の到来を予感させるものです。