分類AIの進化史㉔その後のCNN系モデル

前回は、ConvNeXt（Meta、2022年）を紹介しました。このモデルでは、Vision Transformer（ViT）などからのアイデアを取り入れて、ResNetをベースにし、畳み込みニューラルネットワーク（CNN）の性能向上を追求しました。

これまでメジャーな画像分類モデルを解説してきましたが、もちろんカバーしていないモデルや論文は無数にあります。それでも、2022年ごろまでのモデルたちに到達したので、このシリーズもそろそろ完結に近づいています。

そこで、以前に登場したモデルの「その後」に触れることで、ここ数年の進化のいくつかを見ていきましょう。

まず、ざっくりと画像分類モデルを以下のようにカテゴリー分けします。

• 畳み込みニューラルネットワーク（CNN）系

• ビジョン・トランスフォーマー（ViT）系

• 次世代フィードフォワード（FFN）系

これらのカテゴリーを、今回から３回に分けて「その後の」モデルと題して連載します。初回の今回は、CNNにフォーカスして、以前に紹介したモデルのバージョン２をピックアップして紹介します。