2026年版・5-2

画像認識：代表的なCNNモデルとセグメンテーションの一問一答

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：代表的なCNNモデルとセグメンテーションに関する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15-2

2012年のILSVRCで優勝したAlexNetで用いられた工夫として、最も適切なものを1つ選びなさい。

①活性化関数にReLUを使い、全結合層にドロップアウトを入れて過学習を抑えた。
②異なる大きさのフィルタを並列に使うInceptionモジュールを何段も積み重ねた。
③入力を数層先の出力に足し合わせるスキップ結合で、150層を超える深さにした。
④3×3の小さなフィルタだけを重ねた単純な構造で、16層や19層の深さにした。

答えと解説を見る

正解 ①活性化関数にReLUを使い、全結合層にドロップアウトを入れて過学習を抑えた。

解説
AlexNetは、5層の畳み込み層と3層の全結合層からなるCNNで、2012年のILSVRCで従来の手法を大きく上回る精度で優勝しました。
主な工夫として、活性化関数に計算が軽く勾配が消えにくいReLUを使ったこと、全結合層でドロップアウトを使って過学習を抑えたこと、画像の切り抜きや左右反転によるデータ拡張、2台のGPUを使った並列の学習などが挙げられます。

他の選択肢が不適切な理由
・Inceptionモジュールを積み重ねた：これは2014年のILSVRCで優勝したGoogLeNetの特徴です。
・スキップ結合で150層を超える深さにした：これは2015年のILSVRCで優勝したResNet（152層）の特徴です。
・3×3のフィルタだけで16層や19層にした：これは2014年のILSVRCで上位に入ったVGGの特徴です。

覚え方のポイント
ILSVRCの主なモデルは「2012年AlexNet（ReLU・ドロップアウト）→2014年GoogLeNet（Inception）・VGG（3×3の積み重ね）→2015年ResNet（スキップ結合）→2017年SENet（チャネルの重み付け）」の順に整理しましょう。

問25-2

オックスフォード大学のグループが2014年に発表し、3×3の小さなフィルタの畳み込み層だけを単純に積み重ねて、16層や19層の深さ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
②VGG
③GoogLeNet
④DenseNet

答えと解説を見る

正解 ②VGG

解説
VGGは、オックスフォード大学のVisual Geometry Groupが発表したモデルで、層の数によってVGG16やVGG19と呼ばれます。3×3の小さなフィルタの畳み込みを何層も重ねる、という単純で分かりやすい構造が特徴です。
3×3のフィルタを2層重ねると5×5、3層重ねると7×7のフィルタと同じ範囲を見渡せます。大きなフィルタを1層使うより重みの数が少なく、層の間に活性化関数が入るため表現力も高まります。2014年のILSVRCの分類部門で2位となり、構造が単純なことから、転移学習の土台としても広く使われました。

他の選択肢が不適切な理由
・AlexNet：2012年の優勝モデルで、11×11や5×5などの大きめのフィルタも使っており、深さも8層です。
・GoogLeNet：2014年の優勝モデルで、異なる大きさのフィルタを並列に使うInceptionモジュールが特徴です。
・DenseNet：各層が前のすべての層の出力を連結して受け取る構造のモデルで、単純な積み重ねではありません。

覚え方のポイント
「VGG＝3×3を重ねるだけの単純・深い構造（16層・19層）」と覚えましょう。同じ2014年の優勝はGoogLeNetです。

問35-2

2017年のILSVRCで優勝したモデルで、特徴マップのチャネルごとの重要度を学習し、重要なチャネルほど強く重み付けする仕組み（Squeeze-and-Excitation）を導入したものとして、最も適切なものを1つ選びなさい。

①DenseNet
②Wide ResNet
③SENet
④MobileNet

答えと解説を見る

正解 ③SENet

解説
SENet（Squeeze-and-Excitation Networks）は、2017年のILSVRCの画像分類で優勝したモデルです。
まず各チャネルの特徴マップ全体を平均して1つの値にまとめ（Squeeze）、次に小さな全結合層でチャネルごとの重要度を0から1の値として求め、その値を元の特徴マップに掛けて重み付けします（Excitation）。どのチャネル（どの種類の特徴）に注目するかを学習する、チャネル方向の注意機構といえます。既存のResNetなどに組み込んで使えるのも特徴です。

他の選択肢が不適切な理由
・DenseNet：各層が前のすべての層の出力を連結して受け取る構造のモデルで、チャネルの重み付けの仕組みではありません。
・Wide ResNet：ResNetの層を減らす代わりに、各層のフィルタの数（幅）を増やしたモデルです。
・MobileNet：Depthwise畳み込みとPointwise畳み込みを使って計算量を減らし、スマートフォンなどでも動くようにした軽量なモデルです。

覚え方のポイント
「SENet＝チャネルごとの重要度で重み付け（Squeeze→Excitation）」「2017年ILSVRC優勝」の2点を押さえましょう。

問45-2

全結合層を使わずに畳み込み層だけでネットワークを構成し、入力画像と同じ大きさの出力で、画素ごとにクラスを判定できるようにしたセマンティックセグメンテーションの代表的なモデルとして、最も適切なものを1つ選びなさい。

①R-CNN
②VGG
③YOLO
④FCN（Fully Convolutional Network）

答えと解説を見る

正解 ④FCN（Fully Convolutional Network）

解説
FCN（Fully Convolutional Network）は、画像分類のCNNの最後にある全結合層を畳み込み層に置き換え、ネットワーク全体を畳み込み層だけで構成したモデルです。縮小された特徴マップを転置畳み込みなどで元の大きさに拡大することで、画素ごとにクラスを判定するセマンティックセグメンテーションを実現しました。
全結合層を使わないため、入力画像の大きさが決まっていなくても処理できるという利点もあります。このFCNの考え方が、SegNetやU-Netなどの後続のモデルの土台になりました。

他の選択肢が不適切な理由
・R-CNN：物体の候補領域を切り出し、CNNで特徴を取り出して分類する物体検出の手法で、画素ごとの判定は行いません。
・VGG：3×3のフィルタを重ねた画像分類のモデルで、最後に全結合層を持ちます。
・YOLO：画像全体から物体の位置と種類を一度に予測する物体検出の手法です。

覚え方のポイント
「FCN＝全結合層なし・畳み込み層だけ・画素ごとの分類」。セマンティックセグメンテーションの出発点となったモデルです。

問55-2

エンコーダで最大値プーリングを行う際に、最大値をとった位置（インデックス）を記憶しておき、デコーダで特徴マップを拡大するときにその位置情報を使うセマンティックセグメンテーションのモデルとして、最も適切なものを1つ選びなさい。

①SegNet
②U-Net
③PSPNet
④Mask R-CNN

答えと解説を見る

正解 ①SegNet

解説
SegNetは、エンコーダ・デコーダ型のセマンティックセグメンテーションのモデルです。エンコーダで最大値プーリングを行うときに、各区画のどの位置の値が最大だったか（プーリングのインデックス）を記憶しておき、デコーダで拡大するときに、値をその位置に戻します。
位置の情報だけを受け渡すため、特徴マップそのものを受け渡すよりメモリの使用量を抑えながら、物体の境界の位置を復元しやすくしています。

他の選択肢が不適切な理由
・U-Net：スキップ接続で、エンコーダ側の特徴マップそのものをデコーダ側に結合するモデルで、インデックスだけを渡す仕組みではありません。
・PSPNet：異なる大きさの領域でプーリングした特徴を組み合わせる（ピラミッドプーリング）ことで、画像全体の文脈を捉えるモデルです。
・Mask R-CNN：物体検出のFaster R-CNNに、物体ごとの領域を画素単位で求める機能を加えたインスタンスセグメンテーションのモデルです。

覚え方のポイント
エンコーダの情報をデコーダへ渡す方法の違いで区別します。「SegNet＝プーリングの位置（インデックス）」「U-Net＝特徴マップそのもの（スキップ接続）」です。

問65-2

特徴マップを異なる大きさの領域に分けてプーリングし、それらを組み合わせる「ピラミッドプーリング」によって、画像全体の大域的な文脈を捉えられるようにしたセマンティックセグメンテーションのモデルとして、最も適切なものを1つ選びなさい。

①SegNet
②PSPNet
③FCN
④OpenPose

答えと解説を見る

正解 ②PSPNet

解説
PSPNet（Pyramid Scene Parsing Network）は、CNNで取り出した特徴マップに対し、画像全体、半分ずつ、さらに細かい区画、というように異なる大きさの区画でプーリングを行い、それらを元の大きさに戻して結合するピラミッドプーリングモジュールを持つモデルです。
局所的な特徴だけでなく、画像全体の文脈（たとえば「水の上にあるのは車ではなく船だろう」という手がかり）を判定に生かせるため、紛らわしい物体の誤判定を減らせます。

他の選択肢が不適切な理由
・SegNet：プーリングの位置（インデックス）を記憶してデコーダで使うモデルで、ピラミッドプーリングは使いません。
・FCN：全結合層を畳み込み層に置き換えたセグメンテーションの初期のモデルです。
・OpenPose：人物の関節などの特徴点を検出して姿勢を推定する手法で、セマンティックセグメンテーションのモデルではありません。

覚え方のポイント
「PSP＝ピラミッド（Pyramid）」と覚えましょう。大域的な文脈を捉える工夫には、PSPNetのピラミッドプーリングと、DeepLabのAtrous畳み込み（ASPP）があります。

問75-2

フィルタの要素の間を空けて畳み込むAtrous畳み込みを用い、間隔の異なるAtrous畳み込みを並列に使うASPP（Atrous Spatial Pyramid Pooling）なども取り入れたセマンティックセグメンテーションのモデルとして、最も適切なものを1つ選びなさい。

①SegNet
②U-Net
③DeepLab
④YOLO

答えと解説を見る

正解 ③DeepLab

解説
DeepLabは、Googleの研究者らを含むグループが発表したセマンティックセグメンテーションのモデルです。Atrous畳み込み（Dilated畳み込み）を使って、特徴マップを縮小しすぎずに広い範囲の文脈を捉えます。
さらに、間隔の異なるAtrous畳み込みを並列に使うASPPによって、大きさの異なる物体に対応できるようにしています。版によっては、物体の境界を細かく整える後処理（条件付き確率場）も使われました。

他の選択肢が不適切な理由
・SegNet：プーリングの位置を記憶してデコーダで使うモデルで、Atrous畳み込みが特徴ではありません。
・U-Net：U字型のエンコーダ・デコーダとスキップ接続が特徴の、医療画像向けに提案されたモデルです。
・YOLO：物体の位置と種類を一度に予測する物体検出の手法で、セグメンテーションのモデルではありません。

覚え方のポイント
「DeepLab＝Atrous畳み込み・ASPP」。Atrous（Dilated）畳み込みは、音声合成のWaveNetでも使われている点もあわせて押さえましょう。

問85-2

画像セグメンテーションの課題のうち「パノプティック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空や道路も人や車もクラスだけで分類し、同じクラスの物体を区別せずに扱う。
②人や車などの数えられる物体だけを1つずつ区別し、背景の画素は分類しない。
③画像全体に写っているものを1つのクラスだけで表し、画素ごとには分類しない。
④空や道路はクラスごとに、人や車は1つずつ区別して、すべての画素を分類する。

答えと解説を見る

正解 ④空や道路はクラスごとに、人や車は1つずつ区別して、すべての画素を分類する。

解説
パノプティックセグメンテーションは、セマンティックセグメンテーションとインスタンスセグメンテーションを統合した課題です。
空・道路・芝生のように形が決まっておらず数えられない領域はクラスだけで分け、人・車のように数えられる物体は1つずつ区別します。そのうえで、画像のすべての画素に、クラスと（物体の場合は）個体の区別を割り当てます。自動運転のように、画面全体の状況と個々の物体の両方を把握したい場面で役立ちます。

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。
・数えられる物体だけを区別し背景は分類しない：これはインスタンスセグメンテーションの説明です。
・画像全体を1つのクラスで表す：これは画像分類の説明です。

覚え方のポイント
「セマンティック＝クラスで塗り分け」「インスタンス＝物体を1つずつ」「パノプティック＝その両方を画像全体で」と3つを対にして覚えましょう。

問95-2

物体検出で、CNNの異なる深さの特徴マップ（解像度の高い浅い層と、意味的な情報の多い深い層）を組み合わせたピラミッド状の構造を作り、大きさの異なる物体を検出しやすくした手法として、最も適切なものを1つ選びなさい。

①FPN（Feature Pyramid Network）
②RPN（Region Proposal Network）
③GAN（Generative Adversarial Network）
④ViT（Vision Transformer）

答えと解説を見る

正解 ①FPN（Feature Pyramid Network）

解説
FPN（Feature Pyramid Network）は、CNNの深い層の特徴マップを拡大しながら浅い層の特徴マップと足し合わせ、複数の解像度の特徴マップを作る構造です。
浅い層は解像度が高く小さな物体の位置を捉えやすい一方、意味的な情報が少なく、深い層はその逆です。両者を組み合わせることで、どの解像度でも意味的な情報を持った特徴が得られ、小さな物体から大きな物体まで検出しやすくなります。Faster R-CNNなどの物体検出の手法と組み合わせて使われます。

他の選択肢が不適切な理由
・RPN：Faster R-CNNで、物体がありそうな候補領域をニューラルネットワークで提案する仕組みで、特徴のピラミッドを作るものではありません。
・GAN：生成器と識別器を競わせてデータを生成するモデルです。
・ViT：画像をパッチに分けてTransformerで処理する画像分類のモデルです。

覚え方のポイント
名前の似た「FPN＝特徴（Feature）のピラミッド」と「RPN＝候補領域（Region）の提案」を取り違えないようにしましょう。

問105-2

物体検出の手法YOLOの仕組みの説明として、最も適切なものを1つ選びなさい。

①候補領域を2千個ほど切り出し、それぞれをCNNに通して個別に分類する。
②画像を格子状に分け、各区画で物体の枠とクラスの確率を一度に予測する。
③画像のすべての画素について、どのクラスに属するかを1つずつ判定する。
④人物の関節の位置を推定し、それらをつなげて体の姿勢を骨格で表す。

答えと解説を見る

正解 ②画像を格子状に分け、各区画で物体の枠とクラスの確率を一度に予測する。

解説
YOLO（You Only Look Once）は、その名のとおり、画像全体を1回ネットワークに通すだけで物体を検出する1段階（ワンステージ）の手法です。画像を格子状の区画に分け、各区画について、物体の枠（バウンディングボックス）とその確からしさ、クラスの確率をまとめて予測します。
候補領域の抽出と分類を別々に行う2段階の手法に比べて非常に高速で、動画のリアルタイムの物体検出に向いています。

他の選択肢が不適切な理由
・候補領域を2千個ほど切り出し個別に分類する：これはR-CNNの説明で、2段階の手法です。候補領域ごとにCNNを通すため処理に時間がかかります。
・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。
・関節の位置から姿勢を推定する：これはOpenPoseなどの姿勢推定の説明です。

覚え方のポイント
物体検出は「2段階＝R-CNN・Fast R-CNN・Faster R-CNN」「1段階＝YOLO・SSD」と分けて整理しましょう。1段階の手法は速度に優れます。

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。