ホームに戻る
2026年版・5-1

画像認識の一問一答

G検定（ジェネラリスト検定）「ディープラーニングの応用例」から、画像認識に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問） ディープラーニングの応用例の要点解説を読む
問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問15-1

画像認識の課題のうち、「物体検出」の説明として、最も適切なものを1つ選びなさい。

  • ①画像全体が何の画像であるかを、あらかじめ決めたクラスの中から1つだけ判定する課題である。
  • ②画像のすべての画素について、それぞれがどのクラスに属するかを1画素ずつ判定する課題である。
  • ③画像の中にある物体の位置を矩形（バウンディングボックス）で示し、それぞれの種類も判定する。
  • ④画像の中にいる人物の関節の位置を推定し、骨格の形として体の姿勢を表す課題である。
答えと解説を見る
正解 ③画像の中にある物体の位置を矩形（バウンディングボックス）で示し、それぞれの種類も判定する。
解説
物体検出（Object Detection）は、画像の中のどこに何が写っているかを求める課題です。検出したそれぞれの物体の位置を、バウンディングボックスと呼ばれる矩形（長方形の枠）で示し、その物体の種類（クラス）も判定します。1枚の画像に複数の物体が写っていても、それぞれを検出できます。自動運転での歩行者や車両の検出、店舗での商品の認識などに使われています。

他の選択肢が不適切な理由
・画像全体が何の画像かを1つ判定する：これは「画像分類」の説明です。物体の位置は求めません。
・すべての画素のクラスを判定する：これは「セマンティックセグメンテーション」の説明です。矩形ではなく画素単位で領域を求めます。
・人物の関節の位置を推定する：これは「姿勢推定」の説明です。代表的な手法にOpenPoseがあります。

覚え方のポイント
画像認識の課題は、求める情報が細かい順に「画像分類（何の画像か）→ 物体検出（どこに何があるか・矩形）→ セグメンテーション（画素単位で何か）」と整理すると覚えやすくなります。
問25-1

物体検出の手法を、「候補領域の抽出」と「分類」を別々の段階で行う2段階の手法と、1回の処理でまとめて行う1段階の手法に分けたとき、1段階の手法にあたるものの組み合わせとして、最も適切なものを1つ選びなさい。

  • ①R-CNN・Faster R-CNN
  • ②R-CNN・YOLO
  • ③Faster R-CNN・SSD
  • ④YOLO・SSD
答えと解説を見る
正解 ④YOLO・SSD
解説
物体検出の手法は、大きく2つに分けられます。2段階（Two-stage）の手法は、まず物体がありそうな候補領域を取り出し、次にそれぞれの領域を分類します。R-CNN、Fast R-CNN、Faster R-CNNなどが代表例で、精度が高い一方、処理に時間がかかりやすい傾向があります。1段階（One-stage）の手法は、候補領域の抽出と分類を1つのネットワークで同時に行います。YOLO（You Only Look Once）やSSD（Single Shot MultiBox Detector）が代表例で、処理が速く、リアルタイムの検出に向いています。

他の選択肢が不適切な理由
・R-CNN・Faster R-CNN：どちらも2段階の手法です。
・R-CNN・YOLO：R-CNNは2段階の手法です。
・Faster R-CNN・SSD：Faster R-CNNは2段階の手法です。

覚え方のポイント
「YOLO＝一度見るだけ（You Only Look Once）＝1段階＝速い」「R-CNN系＝2段階＝丁寧」。名前の意味から分類を思い出せるようにしましょう。
問35-1

Faster R-CNNが、それ以前のR-CNNやFast R-CNNから改良した点として、最も適切なものを1つ選びなさい。

  • ①物体の候補領域の抽出も、RPNというニューラルネットワークで行うようにした。
  • ②物体の候補領域の抽出をやめて、画像全体を1つのクラスに分類するだけの方式にした。
  • ③候補領域の抽出と分類を、従来の画像処理の手法とSVMで行うようにした。
  • ④物体の位置を矩形ではなく、画素単位の領域として出力するように変更した。
答えと解説を見る
正解 ①物体の候補領域の抽出も、RPNというニューラルネットワークで行うようにした。
解説
R-CNNとFast R-CNNでは、物体がありそうな候補領域を取り出す処理に、Selective Searchというニューラルネットワークではない従来の手法を使っており、ここが処理の遅さの原因になっていました。Faster R-CNNは、この候補領域の抽出を、RPN（Region Proposal Network）と呼ばれるニューラルネットワークで行うようにしました。これにより、候補領域の抽出から分類までをすべてニューラルネットワークで行えるようになり、処理が大幅に速くなりました。

他の選択肢が不適切な理由
・画像全体を1つのクラスに分類するだけにした：それは画像分類であり、物体検出の手法の改良点ではありません。
・従来の画像処理の手法とSVMで行う：これは最初のR-CNNの方式です（候補領域の抽出にSelective Search、分類にSVMを使用）。Faster R-CNNは、候補領域の抽出もニューラルネットワーク（RPN）で行うようにしました。
・画素単位の領域として出力する：これは、Faster R-CNNを発展させたMask R-CNNで加えられた機能です。

覚え方のポイント
「R-CNN → Fast R-CNN（特徴の計算を1回にまとめて高速化）→ Faster R-CNN（候補領域の抽出もRPNで）→ Mask R-CNN（画素単位のマスクも出力）」の流れで覚えましょう。
問45-1

セグメンテーションの課題のうち、「インスタンスセグメンテーション」の説明として、最も適切なものを1つ選びなさい。

  • ①同じクラスの物体は区別せずに、すべての画素のクラスだけを求める課題
  • ②同じクラスの物体でも一つずつ区別して、画素単位で領域を求める課題
  • ③画像全体が何の画像であるかを、1つのクラスとして判定するだけの課題
  • ④画像の中の物体の位置を、矩形の枠だけで大まかに示すための課題
答えと解説を見る
正解 ②同じクラスの物体でも一つずつ区別して、画素単位で領域を求める課題
解説
セグメンテーションは、画素単位で画像を領域に分ける課題で、主に3種類あります。セマンティックセグメンテーションは、各画素がどのクラス（人、車、道路など）に属するかを求めますが、同じクラスの物体どうしは区別しません（3人いても「人」の領域として1つにまとまります）。インスタンスセグメンテーションは、物体を一つひとつ区別して、それぞれの領域を画素単位で求めます（3人を別々の人として分けます）。パノプティックセグメンテーションは、この2つを組み合わせたものです。

他の選択肢が不適切な理由
・同じクラスの物体を区別しない：これはセマンティックセグメンテーションの説明です。
・画像全体を1つのクラスとして判定する：これは画像分類の説明です。
・矩形の枠で大まかに示す：これは物体検出の説明です。

覚え方のポイント
「セマンティック＝意味（クラス）だけ」「インスタンス＝個体（1つずつ）」「パノプティック＝全体（両方）」。代表的な手法は、セマンティックがFCNやU-Net、インスタンスがMask R-CNNです。
問55-1

医療画像のセグメンテーションのために提案され、エンコーダで縮小した特徴マップをデコーダで拡大する際に、スキップ接続で同じ大きさのエンコーダ側の特徴マップを結合するU字型の構造を持つモデルとして、最も適切なものを1つ選びなさい。

  • ①YOLO
  • ②VGG
  • ③U-Net
  • ④WaveNet
答えと解説を見る
正解 ③U-Net
解説
U-Netは、2015年に医療画像のセグメンテーションのために提案されたモデルです。エンコーダで畳み込みとプーリングを繰り返して画像を縮小しながら特徴を取り出し、デコーダで少しずつ拡大して元の大きさに戻します。その際、同じ大きさのエンコーダ側の特徴マップをスキップ接続でデコーダ側に結合することで、縮小の過程で失われやすい細かな位置の情報を補い、正確な境界を持つ領域を求められます。構造を図にするとU字型になることが名前の由来です。

他の選択肢が不適切な理由
・YOLO：画像を1回の処理で見て物体を検出する、1段階の物体検出の手法です。
・VGG：3×3の小さなフィルタを重ねた、画像分類のためのCNNです。
・WaveNet：音声の波形を直接生成する、DeepMindの音声合成のモデルです。

覚え方のポイント
「U-Net＝U字型・エンコーダとデコーダ・スキップ接続・医療画像のセグメンテーション」。セマンティックセグメンテーションの手法には、ほかに、全結合層を使わず畳み込み層だけで構成したFCN（Fully Convolutional Network）があります。
問65-1

インスタンスセグメンテーションの代表的な手法で、Faster R-CNNに、物体ごとの領域を画素単位で求める機能を追加したモデルとして、最も適切なものを1つ選びなさい。

  • ①Fast R-CNN
  • ②SSD
  • ③FCN
  • ④Mask R-CNN
答えと解説を見る
正解 ④Mask R-CNN
解説
Mask R-CNNは、2017年に発表された、インスタンスセグメンテーションの代表的なモデルです。物体検出のFaster R-CNNをもとに、検出したそれぞれの物体について、その領域を画素単位で表す「マスク」を出力する機能を加えています。物体の種類と位置（矩形）に加えて、物体の正確な形まで求めることができます。

他の選択肢が不適切な理由
・Fast R-CNN：R-CNNを高速化した物体検出の手法で、画素単位のマスクは出力しません。
・SSD：1回の処理で物体の位置と種類を求める、1段階の物体検出の手法です。
・FCN：全結合層を使わず畳み込み層だけで構成した、セマンティックセグメンテーションの手法で、物体を一つひとつ区別するものではありません。

覚え方のポイント
「Mask R-CNN＝Faster R-CNN＋マスク（画素単位の領域）」。名前に「Mask」とあることから、インスタンスセグメンテーションの手法だと判断できます。
問75-1

2014年のILSVRCで優勝したGoogLeNetの特徴として、最も適切なものを1つ選びなさい。

  • ①異なる大きさのフィルタを並列に使うInceptionモジュールを重ねている。
  • ②3×3の小さなフィルタだけを単純に重ね、16層や19層の深さにした構造を持つ。
  • ③層を飛び越えて入力を出力に足し合わせるスキップ結合で、152層の深さを実現した。
  • ④各層が前のすべての層の出力を連結して受け取る、密につながった構造を持つ。
答えと解説を見る
正解 ①異なる大きさのフィルタを並列に使うInceptionモジュールを重ねている。
解説
GoogLeNetは、Googleの研究者らが開発し、2014年のILSVRCで優勝したモデルです。1×1、3×3、5×5といった大きさの異なる畳み込みのフィルタとプーリングを並列に行い、その結果を結合する「Inceptionモジュール」を積み重ねた構造が特徴です。さまざまな大きさの特徴を同時に捉えつつ、1×1の畳み込みでチャネル数を減らして計算量を抑える工夫もしています。分類の直前で、パラメータの多い全結合層を重ねる代わりにGlobal Average Poolingを用いている点も特徴です（その後に分類用の層を1つだけ置いています）。

他の選択肢が不適切な理由
・3×3のフィルタだけを重ねた16層・19層の構造：これはVGGの説明です。VGGは2014年のILSVRCで2位でした。
・スキップ結合で152層を実現した：これはResNet（2015年に優勝）の説明です。
・前のすべての層の出力を連結する構造：これはDenseNetの説明です。

覚え方のポイント
「GoogLeNet＝Inceptionモジュール（いろいろな大きさのフィルタを並列に）」。名前の「LeNet」は、ルカンのLeNetへの敬意を込めたものとされています。
問85-1

画像分類のモデルで、ネットワークの「深さ」「幅（チャネル数）」「入力画像の解像度」の3つをバランスよく同時に大きくする方法（複合スケーリング）を用いて、少ないパラメータで高い精度を実現したモデルとして、最も適切なものを1つ選びなさい。

  • ①AlexNet
  • ②EfficientNet
  • ③LeNet
  • ④U-Net
答えと解説を見る
正解 ②EfficientNet
解説
EfficientNetは、2019年にGoogleの研究者らが発表した画像分類のモデルです。モデルの性能を上げるには、層を深くする、各層のチャネル数を増やす（幅を広げる）、入力画像の解像度を上げる、という方法がありますが、EfficientNetは、この3つを決まった比率でバランスよく同時に大きくする「複合スケーリング（Compound Scaling）」を用いました。これにより、従来のモデルより少ないパラメータ数と計算量で、高い精度を実現しました。

他の選択肢が不適切な理由
・AlexNet：2012年のILSVRCで優勝し、ディープラーニングの躍進のきっかけとなったモデルです。
・LeNet：1989年ごろから1990年代にかけてヤン・ルカンらが開発した、初期のCNNです。
・U-Net：U字型の構造を持つ、セグメンテーションのためのモデルです。

覚え方のポイント
「EfficientNet＝深さ・幅・解像度をまとめて大きくする（複合スケーリング）＝効率的（Efficient）」。「Wide ResNet＝幅を広げる」とあわせて、モデルを大きくする方向の違いとして覚えましょう。
問95-1

Vision Transformer（ViT）の説明として、最も適切なものを1つ選びなさい。

  • ①画像を1画素ずつ順番にRNNへ入力し、前の画素の情報を引き継ぎながら処理していく。
  • ②畳み込み層とプーリング層だけで構成し、注意機構は一切使わずに画像を分類していく。
  • ③画像を小さなパッチに分け、単語のように並べてTransformerに入力する。
  • ④画像をパッチに分け、各パッチを別々のCNNで分類して、多数決で結果を決める。
答えと解説を見る
正解 ③画像を小さなパッチに分け、単語のように並べてTransformerに入力する。
解説
Vision Transformer（ViT）は、2020年にGoogleの研究者らが発表した、Transformerを画像認識に応用したモデルです。画像を16×16画素などの小さなパッチ（区画）に分割し、それぞれのパッチをベクトルに変換して、文章の単語のように並べてTransformerのエンコーダに入力します。畳み込みを使わず、Self-Attentionで画像全体のパッチどうしの関係を捉えます。大量のデータで事前学習すると、CNNに匹敵する、あるいはそれを上回る精度を示しました。

他の選択肢が不適切な理由
・1画素ずつRNNへ入力する：ViTはRNNを使わず、パッチ単位でTransformerに入力します。
・畳み込み層とプーリング層だけで構成し注意機構を使わない：これは従来のCNNの説明で、ViTとは逆です。
・パッチごとに別々のCNNで分類して多数決をとる：ViTはパッチを1つずつ分類するのではなく、すべてのパッチを1つの系列としてTransformerに入力し、Self-Attentionでパッチどうしの関係を捉えたうえで画像全体を分類します。

覚え方のポイント
「ViT＝画像をパッチ（単語のようなもの）に分けてTransformerへ」。一方で、ViTは画像の局所的な構造をあらかじめ仮定しないため、データが少ないとCNNより性能が出にくいとされる点も押さえておきましょう。
問105-1

画像中の人物の関節などの特徴点を検出し、それらをつなげて骨格の形として人の姿勢を推定する手法として、最も適切なものを1つ選びなさい。

  • ①CycleGAN
  • ②word2vec
  • ③DQN
  • ④OpenPose
答えと解説を見る
正解 ④OpenPose
解説
OpenPoseは、画像や動画に写った人物の関節（肩、ひじ、ひざなど）の位置を検出し、それらを線でつないで骨格の形として姿勢を推定する手法です。関節どうしのつながりを表す「Part Affinity Fields（PAFs）」を用いることで、画像の中に複数の人物がいても、それぞれの人の骨格を推定できます。スポーツの動作分析や、リハビリテーション、防犯などへの応用が進んでいます。

他の選択肢が不適切な理由
・CycleGAN：対になった画像のデータがなくても、ある種類の画像を別の種類の画像に変換できるGANの手法です。
・word2vec：単語を、意味を反映したベクトル（分散表現）に変換する、自然言語処理の手法です。
・DQN：Q学習の行動価値をディープラーニングで近似した、深層強化学習の手法です。

覚え方のポイント
「OpenPose＝姿勢推定・関節のつながり（PAFs）・複数人に対応」。画像認識の応用分野として、物体検出・セグメンテーションと並んで押さえておきましょう。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。

【PR】