バックボーンネットワークとは
バックボーンネットワーク（Backbone Network）は、ディープラーニングモデルの特徴抽出を担う基幹部分のネットワークです。「バックボーン（背骨）」の名の通り、モデル全体の基盤として機能し、入力データから階層的な特徴表現を生成します。物体検出やセグメンテーションなどのタスクでは、バックボーンの上にタスク固有の「ヘッド」を接続してモデルを構築します。
| ひとことで言うと | モデルの中で特徴抽出を担う「背骨」の部分。用途別の頭部を付け替えて使う。 |
|---|---|
| どこで使う | 物体検出、セグメンテーション、姿勢推定など、画像系タスク全般。 |
| 注意点 | バックボーンが重いと推論も重い。用途に応じて軽量なものを選ぶ。 |
代表的なバックボーン
コンピュータビジョンの分野では、ResNet、VGGNet、EfficientNet、Vision Transformerなどが代表的なバックボーンとして使用されます。これらは通常ImageNetなどの大規模データセットで事前学習されており、汎用的な特徴抽出能力を持っています。バックボーンの選択はモデル全体の性能に大きく影響します。
1入力画像写真や動画のフレーム
▶
2バックボーン共通の特徴抽出
▶
3特徴マップ汎用的な表現
▶
4頭部を付け替え分類/検出/分割用
▶
5タスク別の出力用途に応じた結果
バックボーンの選択基準
バックボーンの選択には、精度、速度、メモリ効率、モデルサイズなどのトレードオフを考慮する必要があります。ResNet-50は精度と速度のバランスが良く広く使用されています。MobileNetやEfficientNet-Liteはモバイル環境向けに最適化されています。近年ではSwin TransformerやConvNeXtなどの新しいバックボーンも注目されています。
Feature Pyramid Networkとの連携
物体検出では、バックボーンの複数の層から異なる解像度の特徴マップを取り出し、FPN（Feature Pyramid Network）で統合する設計が一般的です。これにより、大きな物体から小さな物体まで効果的に検出できます。バックボーンネットワークは単独で使用されることは少なく、下流タスクのアーキテクチャと組み合わせて使用されます。