Microsoft Azure Custom Vision モデルの仕組み

Question

AzureのCustom Vision を使い、画像認識をテストしています。Performanceの欄で、ONNXファイルをエクスポートすることができます。
そこから取得したモデルが以下のようなものになり、かなりの長さとなっています。

これのモデルの仕組みに関して、わかりやすく説明されたような記事はありますでしょうか？
どういった仕組みで画像認識が行われているかを知りたいのです。

https://www.youtube.com/watch?v=J00LhYkDKRg
英語になりますが、こちらの動画の30:10以降、説明がされているのは見つけました。
他に何かあれば教えていただきたいです。もしくは、説明できる方がいらっしゃればお願いいたします。

Answer 1

プロジェクト新規作成画面で出てくる内容から察するに，目的(Domain)に応じてモデルが自動生成されるのでどこを探してもモデルの詳細説明は無いように思います．というか探してもありませんでした．

確実に言えるのは「ドメインに応じて最適化されたモデルが構成されている」という点だと思います．

基本的に，いろんな畳み込みネットワークに関する論文や解説を読めば，どんなシステムを取り入れているかわかるようになると思います．今回のような画像分類における大枠の仕組みは「特徴抽出→分類」です．モデル最下部のFlattenより前が特徴抽出器(Feature Extractor)，後が分類器(Classifier)になっています．

細かい仕組みに関しては動画を見たところ，特徴抽出器にResidual Blockが多く，ResNetに近いものを感じました．ただ単純なResidual Blockではなく，入力側ではResNeXtのような構造も見られています．いずれにしろ，Residual Blockは特徴量をフィードフォワードすることで，畳み込みで失われる情報を保持できるようにし，勾配消失を低減させていると考えます．

分類器に関しては一般的な実装そのままでFully-Connected Layerが1層だけ使われています．

Comments

[progra]

ありがとうございます！少しずつわかってきました！ResNetについても学んでみます。