資格道場
学習状況 お問い合わせ ログイン 無料登録
トップ / G検定（ジェネラリスト検定） / CNN・画像認識の発展問題

G検定（ジェネラリスト検定）「CNN・画像認識の発展問題」の一問一答

1 / -- 正解: 0
📖 G検定（ジェネラリスト検定）「CNN・画像認識の発展問題」の全75問と解説（一覧）

G検定（ジェネラリスト検定）のCNN・画像認識の発展問題に関する一問一答（全75問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。

  1. 問1．畳み込みニューラルネットワーク（CNN）は、畳み込み層とプーリング層を組み合わせて画像の局所的特徴を抽出する構造を持つ。

    正解：○（正しい）

    解説：正しい。CNNは畳み込み層でフィルタを用いて画像の局所的な特徴を抽出し、プーリング層で位置不変性と次元削減を実現する、画像認識で標準的に使われる代表的なモデル構造である。

  2. 問2．プーリング層には学習可能なパラメータが多数存在し、誤差逆伝播で重みが更新される。

    正解：×（誤り）

    解説：誤り。最大プーリングや平均プーリングは固定の集約演算であって学習可能な重みを基本的に持たない。学習対象の重みを持つ畳み込み層や全結合層とはこの点が大きく異なる。

  3. 問3．ストライドが大きいほど、畳み込み演算で出力される特徴マップのサイズは小さくなる傾向がある。

    正解：○（正しい）

    解説：正しい。ストライドはフィルタを滑らせる際の移動量を表し、これを大きくするとフィルタを適用する回数が減るため、結果として出力される特徴マップの空間サイズは小さくなる。

  4. 問4．プーリングを行うと特徴マップの空間サイズが大きくなり、後続の計算量とパラメータ数が増加する。

    正解：×（誤り）

    解説：誤り。正しくはプーリングは特徴マップの空間サイズを縮小するダウンサンプリング処理であり、後続層の計算量を削減し、位置の微小なずれに対する頑健性をもたらす役割を持つ。

  5. 問5．AlexNetは2012年のILSVRCで圧倒的な精度を示し、ReLUやドロップアウト、GPU活用などで深層学習の有効性を世に示した。

    正解：○（正しい）

    解説：正しい。AlexNetはReLU活性化関数やドロップアウト、複数GPUでの学習などを採用し、従来手法を大きく上回る精度を達成して深層学習ブームを引き起こした記念碑的なモデルである。

  6. 問6．pix2pixは、対応関係のない2つの画像集合だけから画像変換を学習する手法であり、入力画像と出力画像のペアは必要としない。

    正解：×（誤り）

    解説：誤り。pix2pixは条件付きGANで、線画と写真のように対応する入力・出力画像のペアを使って画像変換を学習する。ペアなしで学習できるのは、サイクル一貫性損失を使うCycleGANである。

  7. 問7．VGGは、3×3の小さな畳み込みフィルタを多数積み重ねることで深いネットワークを構築したモデルである。

    正解：○（正しい）

    解説：正しい。VGGは3×3畳み込みの繰り返しによって層を深くする規則的でシンプルな構造を持ち、その高い特徴抽出能力ゆえに転移学習の特徴抽出器としても広く利用されている。

  8. 問8．EfficientNetは深さ・幅・解像度を無関係にばらばらに調整するだけのモデルであり、複合スケーリングという考え方は採用していない。

    正解：×（誤り）

    解説：誤り。正しくはEfficientNetはネットワークの深さ・幅・入力解像度をバランスよく同時に拡大する複合スケーリング（compound scaling）を提案した点が核心であり、無関係に調整するという説明は誤りである。

  9. 問9．GoogLeNet（Inception）は、異なるサイズの畳み込みを並列に行うInceptionモジュールを採用している。

    正解：○（正しい）

    解説：正しい。Inceptionモジュールは1×1・3×3・5×5の畳み込みやプーリングを並列に適用し、1×1畳み込みで計算量を抑えながら多様なスケールの特徴を同時に捉える工夫を備えている。

  10. 問10．ImageNetは数十枚程度の小規模な画像しか含まないデータセットであり、大規模な学習には不向きである。

    正解：×（誤り）

    解説：誤り。正しくはImageNetは数百万枚規模・1000クラス以上を含む大規模な画像データセットであり、その豊富なデータが深層学習の発展を支えた代表的な存在として知られている。

  11. 問11．OpenPoseは、1枚の画像に写る複数の人物について、関節などの特徴点の位置を検出して人物ごとに結びつけ、骨格として推定する姿勢推定の手法である。

    正解：○（正しい）

    解説：正しい。OpenPose は画像全体から関節などの特徴点を検出し、それらを人物ごとに結びつけて骨格を求める（ボトムアップ型）ため、写っている人数が増えても処理時間が増えにくい。

  12. 問12．R-CNNは画像全体を一度の順伝播で処理するため、Faster R-CNNよりも推論が高速な検出手法である。

    正解：×（誤り）

    解説：誤り。正しくはR-CNNは多数の領域候補ごとにCNNを繰り返し適用するため低速であり、後続のFast R-CNNやFaster R-CNNがこの計算を共有・効率化することで大幅に高速化した。

  13. 問13．DenseNetは、各層を後続のすべての層と密に結合し、特徴の再利用を促進するアーキテクチャである。

    正解：○（正しい）

    解説：正しい。DenseNetは前方の全層の特徴マップを連結して各層へ渡す密な結合を採用し、これにより勾配の伝播が改善され、少ないパラメータで効率よく学習できる利点を持つ。

  14. 問14．mAP（mean Average Precision）は物体検出モデルの性能を表す指標であり、値が小さいほど検出性能が高いことを示す。

    正解：×（誤り）

    解説：誤り。正しくはmAPは値が大きいほど検出性能が高いことを示す指標であり、各クラスの平均適合率（AP）を求めて全クラスで平均したものとして物体検出の評価に広く用いられる。

  15. 問15．ILSVRCは、ImageNetデータセットを用いて画像分類などの精度を競う大規模な画像認識コンペティションである。

    正解：○（正しい）

    解説：正しい。ILSVRCはImageNetの大量の画像を用いて分類や検出の精度を競う大会であり、AlexNetやResNetをはじめ数々の重要なモデルが登場する舞台となってきた。

  16. 問16．SegNetは物体検出専用のモデルであり、セマンティックセグメンテーションには利用できない。

    正解：×（誤り）

    解説：誤り。正しくはSegNetはエンコーダ・デコーダ構造を持つセマンティックセグメンテーション向けのモデルであり、物体検出専用という説明は誤りである。プーリング位置を用いた効率的な復元が特徴である。

  17. 問17．Faster R-CNNは、領域候補の生成をネットワーク内のRegion Proposal Network（RPN）で行うことで高速化した二段階検出手法である。

    正解：○（正しい）

    解説：正しい。Faster R-CNNはRPNによって候補領域を生成し検出処理と統合することで、外部の領域提案アルゴリズムに依存していた従来手法よりも高速かつ一体的な学習を実現した。

  18. 問18．インスタンスセグメンテーションは、同じクラスの個々の物体を区別せず一括して同一ラベルとして扱う点でセマンティックセグメンテーションと同一である。

    正解：×（誤り）

    解説：誤り。正しくはインスタンスセグメンテーションは同一クラスでも個々の物体（インスタンス）を区別して扱う点が、個体を区別しないセマンティックセグメンテーションとの本質的な違いである。

  19. 問19．YOLOは画像をグリッドに分割し、領域候補の生成と分類を一体化して一度の推論で検出を行う一段階型の手法である。

    正解：○（正しい）

    解説：正しい。YOLO（You Only Look Once）は分類と位置推定を単一のネットワークで同時に行うため、候補生成と分類を分ける二段階法に比べて高速であり、リアルタイム検出に適している。

  20. 問20．FPN（Feature Pyramid Network）は、CNNの最も深い層の特徴マップだけを使って物体を検出するため、小さな物体の検出が苦手になりやすい構造である。

    正解：×（誤り）

    解説：誤り。FPN は深い層の意味的に強い特徴をトップダウンに拡大し、浅い層の解像度の高い特徴と横方向の接続で足し合わせて、複数の解像度の特徴マップ（ピラミッド）を作る。これにより大きさの異なる物体、特に小さな物体の検出が改善する。

  21. 問21．SSD（Single Shot MultiBox Detector）は、複数スケールの特徴マップを用いて一度の推論で多様な大きさの物体を検出する手法である。

    正解：○（正しい）

    解説：正しい。SSDは異なる解像度の特徴マップから検出を行うことで、小さな物体から大きな物体まで一段階で効率よく検出でき、高速性と精度のバランスに優れた手法として知られる。

  22. 問22．CycleGANは、対応する画像ペアの教師データを必須とし、ペアが無ければスタイル変換を学習できない。

    正解：×（誤り）

    解説：誤り。正しくはCycleGANは対になっていない画像集合からドメイン間の変換を学習できる点が特徴であり、サイクル一貫性損失を用いることでペアの教師データなしに変換を実現する。

  23. 問23．IoU（Intersection over Union）は、予測ボックスと正解ボックスの共通部分の面積を和集合の面積で割って求める指標である。

    正解：○（正しい）

    解説：正しい。IoUは重なり部分の面積を和集合の面積で割った値で、1に近いほど予測位置が正解と一致していることを表し、検出の正誤判定や非最大抑制の閾値などに用いられる。

  24. 問24．Vision Transformer（ViT）は、画像を畳み込み層のみで処理し、Transformerの自己注意機構を一切使わないモデルである。

    正解：×（誤り）

    解説：誤り。正しくはViTは画像をパッチに分割して系列として扱い、Transformerの自己注意機構で各パッチ間の関係を捉えるモデルであり、自己注意機構が処理の中核となっている。

  25. 問25．セマンティックセグメンテーションは、画像中の各画素にクラスラベルを割り当てる画素単位の分類タスクである。

    正解：○（正しい）

    解説：正しい。セマンティックセグメンテーションは画素ごとに「道路」「人」などのラベルを付与する密な予測タスクであり、同一クラスに属する個々の物体は区別しない点が特徴である。

  26. 問26．Grad-CAMは内部のパラメータや勾配を一切参照せず、出力ラベルの文字列だけから注目領域を計算する手法である。

    正解：×（誤り）

    解説：誤り。正しくはGrad-CAMは出力クラスに対する特徴マップの勾配を用いて重要度を計算する手法であり、モデル内部の勾配情報を参照する。ラベル文字列だけから計算するという説明は誤りである。

  27. 問27．FCN（Fully Convolutional Network）は、全結合層を畳み込み層に置き換えて任意サイズの入力に対し画素単位の予測を可能にした。

    正解：○（正しい）

    解説：正しい。FCNは全結合層を排して畳み込みのみで構成することで、入力サイズに依存せず画素ごとのクラスマップを出力できるようにした、セグメンテーションの先駆的な手法である。

  28. 問28．AlexNetはシグモイド関数のみを活性化関数として用い、ReLUは一切使用していない。

    正解：×（誤り）

    解説：誤り。正しくはAlexNetはReLUを活性化関数として採用しており、これによって勾配消失を緩和し学習を高速化した点が、このモデルの大きな貢献の一つとして知られている。

  29. 問29．U-Netは、ダウンサンプリングのエンコーダとアップサンプリングのデコーダをスキップ接続で結ぶ対称的な構造を持つセグメンテーションモデルである。

    正解：○（正しい）

    解説：正しい。U-Netはエンコーダとデコーダの間のスキップ接続によって高解像度の位置情報を保持し、医療画像など少量のデータでも高精度なセグメンテーションを実現できる点で広く使われる。

  30. 問30．拡散モデルやGANは、いずれも教師あり分類専用のモデルであり、新規の画像を生成する能力は持たない。

    正解：×（誤り）

    解説：誤り。正しくはGANも拡散モデルもデータを生成する生成モデルであり、本物に近い新規の画像を生成できる。教師あり分類専用で生成能力を持たないという説明は誤りである。

  31. 問31．パノプティックセグメンテーションは、背景の画素分類と個々の物体の識別を一つの枠組みで同時に扱うタスクである。

    正解：○（正しい）

    解説：正しい。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、数えられない背景領域の分類と数えられる物体の個体識別を統合的に出力する。

  32. 問32．VGGは層の構造が複雑で不規則なため、転移学習や特徴抽出器としての再利用には適さない。

    正解：×（誤り）

    解説：誤り。正しくはVGGは3×3畳み込みを積み重ねる規則的で単純な構造ゆえに理解や再利用がしやすく、転移学習の特徴抽出器として広く使われており、再利用に適さないという説明は誤りである。

  33. 問33．データ拡張（オーグメンテーション）は、回転や反転、拡大縮小などで学習データを水増しし、過学習を抑え汎化性能を高める手法である。

    正解：○（正しい）

    解説：正しい。データ拡張は既存の画像に様々な変換を加えてデータの多様性を増やすことで、学習データ不足を補い、モデルの過学習を緩和して汎化性能の向上に寄与する有効な手法である。

  34. 問34．セマンティックセグメンテーションは画像全体に一つのラベルだけを付与するため、画像分類と完全に同じタスクである。

    正解：×（誤り）

    解説：誤り。正しくはセマンティックセグメンテーションは画素ごとにラベルを付ける密な予測であり、画像全体に一つのラベルを付与する画像分類とは出力の粒度が異なる別のタスクである。

  35. 問35．転移学習は、大規模データで学習済みのモデルの知識を別の関連タスクに応用する手法であり、少ないデータでも高精度を得やすい。

    正解：○（正しい）

    解説：正しい。転移学習はImageNetなどで獲得した汎用的な特徴を再利用するため、対象タスクのデータが少ない場合でも効率よく学習でき、高い精度を達成しやすいという利点を持つ。

  36. 問36．GoogLeNetのInceptionモジュールは、単一サイズの畳み込みのみを直列に並べた構造であり、複数サイズの畳み込みを並列に行う仕組みは持たない。

    正解：×（誤り）

    解説：誤り。正しくはInceptionモジュールは1×1・3×3・5×5などの畳み込みやプーリングを並列に適用し、多様なスケールの特徴を同時に捉える構造であり、単一サイズの直列構造ではない。

  37. 問37．SENet（Squeeze-and-Excitation Networks）は、チャネルごとの重要度を学習して特徴マップを重み付けする仕組みを導入し、ILSVRC 2017の画像分類で優勝した。

    正解：○（正しい）

    解説：SENetは、特徴マップを空間方向に平均して圧縮（Squeeze）し、全結合層でチャネルごとの重みを求めて掛け合わせる（Excitation）。この仕組みでILSVRC 2017の画像分類部門で1位となった。

  38. 問38．U-Netはエンコーダとデコーダを持つが、両者をつなぐスキップ接続を一切持たない構造であるため、細部の位置情報は復元できない。

    正解：×（誤り）

    解説：誤り。正しくはU-Netはエンコーダとデコーダをスキップ接続で結ぶことで高解像度の位置情報を保持し、輪郭などの細部を精密に復元できる点が大きな特徴であり、接続を持たないという説明は誤りである。

  39. 問39．複数の視点から撮影した画像をもとに、シーンをニューラルネットワークで連続的な関数として表し、新しい視点から見た画像を合成する手法はどれか。

    • ア．StyleGAN
    • イ．NeRF
    • ウ．DCGAN
    • エ．Mask R-CNN

    正解：イ．NeRF

    解説：NeRF（Neural Radiance Fields）は、3次元の位置と視線方向を入力として色と密度を出力するネットワークでシーンを表し、ボリュームレンダリングで任意の視点の画像を合成する。

  40. 問40．異なるサイズの畳み込みを並列に適用するInceptionモジュールを採用したモデルはどれか。

    • ア．VGG
    • イ．U-Net
    • ウ．GoogLeNet
    • エ．YOLO

    正解：ウ．GoogLeNet

    解説：正解はGoogLeNet。Inceptionモジュールによって多スケールの特徴を並列に抽出し、1×1畳み込みで計算量を抑える工夫を取り入れたモデルとして知られている。

  41. 問41．深さ・幅・入力解像度を複合スケーリングでバランスよく拡大することを提案したモデルはどれか。

    • ア．AlexNet
    • イ．LeNet
    • ウ．DenseNet
    • エ．EfficientNet

    正解：エ．EfficientNet

    解説：正解はEfficientNet。深さ・幅・解像度の3要素を最適なバランスで同時に拡大する複合スケーリングにより、少ない計算資源で効率よく高い精度を達成したモデルである。

  42. 問42．領域候補の生成をネットワーク内部のRPNで行い高速化した、二段階型の物体検出手法はどれか。

    • ア．Faster R-CNN
    • イ．YOLO
    • ウ．SSD
    • エ．U-Net

    正解：ア．Faster R-CNN

    解説：正解はFaster R-CNN。Region Proposal Networkで候補領域を生成し検出処理と統合することで、外部の領域提案に依存していたR-CNN系を大きく高速化した二段階型の手法である。

  43. 問43．予測ボックスと正解ボックスの重なり度合いを、共通部分の面積を和集合の面積で割って表す指標はどれか。

    • ア．mAP
    • イ．IoU
    • ウ．F値
    • エ．AUC

    正解：イ．IoU

    解説：正解はIoU。Intersection over Unionは重なり部分の面積を和集合の面積で割った値で、検出の正誤判定や非最大抑制の閾値設定などに用いられる重要な指標である。

  44. 問44．物体検出モデルの総合的な性能評価に広く用いられ、各クラスの平均適合率を平均した指標はどれか。

    • ア．IoU
    • イ．BLEU
    • ウ．mAP
    • エ．再現率

    正解：ウ．mAP

    解説：正解はmAP。mean Average Precisionは各クラスの平均適合率（AP）を求めて全クラスで平均した値で、値が大きいほど検出性能が高いことを示す代表的な評価指標である。

  45. 問45．全結合層を畳み込み層に置き換え、任意サイズの入力に対し画素単位の予測を可能にしたセグメンテーション手法はどれか。

    • ア．YOLO
    • イ．VGG
    • ウ．ViT
    • エ．FCN

    正解：エ．FCN

    解説：正解はFCN。Fully Convolutional Networkは全結合層を排して畳み込みのみで構成し、入力サイズに依存せず画素ごとのクラスマップを出力できるようにした先駆的な手法である。

  46. 問46．エンコーダとデコーダをスキップ接続で結ぶ対称的な構造を持ち、医療画像で広く使われるセグメンテーションモデルはどれか。

    • ア．U-Net
    • イ．AlexNet
    • ウ．GoogLeNet
    • エ．DCGAN

    正解：ア．U-Net

    解説：正解はU-Net。スキップ接続によって高解像度の位置情報を保持し、少量のデータでも高精度なセグメンテーションを実現できるため、医療画像分野などで広く使われている。

  47. 問47．Faster R-CNNを拡張し、各物体のセグメンテーションマスクも同時に出力するインスタンスセグメンテーション手法はどれか。

    • ア．SegNet
    • イ．Mask R-CNN
    • ウ．SSD
    • エ．FCN

    正解：イ．Mask R-CNN

    解説：正解はMask R-CNN。検出ブランチに加えてマスク予測ブランチを持ち、物体ごとの矩形・クラス・画素単位のマスクを同時に出力する代表的なインスタンスセグメンテーション手法である。

  48. 問48．Atrous Convolution（Dilated Convolution）を用いて、パラメータ数を増やさずに受容野を広げ、セマンティックセグメンテーションの精度を高めたモデルとして知られるものはどれか。

    • ア．U-Net
    • イ．FCN
    • ウ．DeepLab
    • エ．SegNet

    正解：ウ．DeepLab

    解説：DeepLab（Chen et al.）は、フィルタの要素の間隔を空けて畳み込むAtrous Convolutionで、解像度とパラメータ数を保ったまま広い範囲の文脈を取り込むセグメンテーションモデルである。U-Netはエンコーダとデコーダをスキップ接続で結ぶ構造、SegNetはプーリング位置を使ってアップサンプリングする構造、FCNは全結合層を畳み込み層に置き換えた構造が特徴である。

  49. 問49．画像をパッチに分割して系列として扱い、Transformerの自己注意機構で画像認識を行うモデルはどれか。

    • ア．FCN
    • イ．DenseNet
    • ウ．SSD
    • エ．ViT

    正解：エ．ViT

    解説：正解はViT。Vision Transformerは画像をパッチに分割して系列入力とし、Transformerの自己注意機構でパッチ間の関係を捉える点で従来のCNNと大きく異なるモデルである。

  50. 問50．物体検出で重なり合う冗長なバウンディングボックスを統合・除去する後処理はどれか。

    • ア．非最大抑制（NMS）
    • イ．パディング
    • ウ．ドロップアウト
    • エ．プーリング

    正解：ア．非最大抑制（NMS）

    解説：正解は非最大抑制（NMS）。IoUの高い重複したボックス群からスコアが最大のものだけを残して他を抑制することで、一つの物体に複数の検出枠が付くのを防ぐ後処理である。

  51. 問51．特徴マップ全体を空間方向に平均してチャネルごとの1値に圧縮し、全結合層の代替として過学習を抑える手法はどれか。

    • ア．最大プーリング
    • イ．グローバルアベレージプーリング
    • ウ．ストライド
    • エ．転置畳み込み

    正解：イ．グローバルアベレージプーリング

    解説：正解はグローバルアベレージプーリング。各チャネルの特徴マップを平均して1値にまとめることで、パラメータの多い全結合層を不要にし、過学習の抑制と軽量化に寄与する。

  52. 問52．MobileNetが計算量とパラメータ数を削減するために採用した畳み込みの方式はどれか。

    • ア．転置畳み込み
    • イ．膨張畳み込み
    • ウ．深さ方向分離可能畳み込み
    • エ．3次元畳み込み

    正解：ウ．深さ方向分離可能畳み込み

    解説：MobileNetは、通常の畳み込みをチャネルごとの空間方向の畳み込み（depthwise）と1×1畳み込み（pointwise）に分ける深さ方向分離可能畳み込みを用いて、計算量とパラメータ数を大きく削減した。

  53. 問53．チャネル方向の次元削減や特徴の線形結合に用いられ、空間方向の受容野が1画素のままとなる畳み込みはどれか。

    • ア．3×3畳み込み
    • イ．転置畳み込み
    • ウ．5×5畳み込み
    • エ．1×1畳み込み

    正解：エ．1×1畳み込み

    解説：正解は1×1畳み込み。空間サイズを変えずにチャネル数を調整・統合できる演算で、Inceptionモジュールなどで計算量削減やチャネル間の特徴統合のために使われる。

  54. 問54．ImageNetを用いて画像分類などの精度を競った大規模な画像認識コンペティションはどれか。

    • ア．ILSVRC
    • イ．COCO
    • ウ．ImageNet
    • エ．MNIST

    正解：ア．ILSVRC

    解説：正解はILSVRC。ImageNetの大量の画像を用いて分類や検出の精度を競う大会であり、AlexNetやResNetなど数々の重要なモデルが登場する舞台となってきた。

  55. 問55．0〜9の手書き数字の28×28画素のグレースケール画像からなり、訓練用6万枚・テスト用1万枚で構成される代表的なデータセットはどれか。

    • ア．CIFAR-10
    • イ．ImageNet
    • ウ．MS COCO
    • エ．MNIST

    正解：エ．MNIST

    解説：MNISTは手書き数字の28×28画素のグレースケール画像を訓練用60,000枚・テスト用10,000枚収録したデータセットである。CIFAR-10は32×32画素のカラー画像10クラス、MS COCOは物体検出・セグメンテーション・キャプション用のデータセットである。

  56. 問56．物体検出で事前に用意した様々な縦横比・大きさの基準矩形を表す用語はどれか。

    • ア．特徴マップ
    • イ．受容野
    • ウ．アンカーボックス
    • エ．カーネル

    正解：ウ．アンカーボックス

    解説：正解はアンカーボックス。複数のスケールやアスペクト比を持つ基準枠であり、Faster R-CNNやSSDはこれを起点に物体の位置とサイズを回帰することで効率的に検出する。

  57. 問57．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、背景分類と個体識別を同時に扱うタスクはどれか。

    • ア．画像分類
    • イ．物体検出
    • ウ．顕著性検出
    • エ．パノプティックセグメンテーション

    正解：エ．パノプティックセグメンテーション

    解説：正解はパノプティックセグメンテーション。数えられない背景領域の画素分類と、数えられる物体の個体識別を一つの枠組みで統合的に出力するセグメンテーションのタスクである。

  58. 問58．学習済みモデルの重みを初期値として対象タスクのデータで再学習し、ドメインに適合させる手法はどれか。

    • ア．ファインチューニング
    • イ．アンサンブル
    • ウ．プルーニング
    • エ．量子化

    正解：ア．ファインチューニング

    解説：正解はファインチューニング。事前学習済みの重みを起点に追加で学習を行い、対象ドメインに適合させることで、高い精度を効率的に得られる転移学習の代表的な手法である。

  59. 問59．畳み込みニューラルネットワーク（LeNet）の研究などで深層学習の発展に大きく貢献した研究者はどれか。

    • ア．マーヴィン・ミンスキー
    • イ．ヤン・ルカン
    • ウ．アラン・チューリング
    • エ．クロード・シャノン

    正解：イ．ヤン・ルカン

    解説：正解はヤン・ルカン。初期のCNNであるLeNetの研究で知られ、畳み込みネットワークの考案と発展を通じて深層学習の進歩に大きく貢献した研究者として広く認識されている。

  60. 問60．2枚の画像とそれぞれのラベルを一定の比率で線形に混ぜ合わせ、新しい学習データを作るデータ拡張の手法はどれか。

    • ア．Cutout
    • イ．CutMix
    • ウ．Mixup
    • エ．Random Erasing

    正解：ウ．Mixup

    解説：Mixupは2つのサンプルの画像とラベルを同じ比率λで線形に足し合わせる。CutMixは一方の画像の一部の領域を他方に貼り付け、Cutout・Random Erasingは画像の一部の領域を隠す手法である。

  61. 問61．AlexNetで採用され、勾配消失を緩和して学習を高速化した活性化関数はどれか。

    • ア．シグモイド関数
    • イ．tanh
    • ウ．ソフトマックス
    • エ．ReLU

    正解：エ．ReLU

    解説：正解はReLU。正の入力をそのまま通すReLUは勾配消失を緩和し計算も軽量であるため、AlexNet以降の深層学習で標準的に用いられるようになった活性化関数である。

  62. 問62．プーリング層が主に担う役割として最も適切なものはどれか。

    • ア．特徴マップの空間サイズの縮小
    • イ．チャネル数の増加
    • ウ．活性化関数の適用
    • エ．損失関数の計算

    正解：ア．特徴マップの空間サイズの縮小

    解説：正解は特徴マップの空間サイズの縮小。プーリングは領域内を最大値や平均値で集約することで次元削減と位置の微小なずれへの頑健性をもたらし、後続層の計算量を抑える役割を担う。

  63. 問63．残差接続（スキップ接続）が主に解決しようとした問題はどれか。

    • ア．深い層での勾配消失や劣化問題
    • イ．訓練データに過剰に適合し、未知のデータで誤差が大きくなる問題
    • ウ．正解ラベル付きの訓練データが少なく、教師あり学習を十分に行えない問題
    • エ．入力画像の中で物体の位置がずれると、認識結果が変わってしまう問題

    正解：ア．深い層での勾配消失や劣化問題

    解説：残差接続は、層の入力をそのまま出力に足す近道を設け、層には入力との差分（残差）を学習させる仕組みです。ResNetの論文では、層を深くすると精度が頭打ちになった後に悪化し、訓練誤差まで大きくなる劣化問題が示され、これは過学習によるものではないとされました。残差接続は、この深いネットワークを学習させにくい問題を解決するためのもので、過学習の抑制、ラベル付きデータの不足への対処、物体の位置ずれに強くすることを主な目的としたものではありません。

    根拠： He, Zhang, Ren, Sun「Deep Residual Learning for Image Recognition」(arXiv:1512.03385, 2015) Abstract（residual learning framework to ease the training of networks that are substantially deeper）、1. Introduction（degradation problem: accuracy gets saturated and then degrades rapidly; not caused by overfitting, higher training error）

  64. 問64．バウンディングボックスという言葉が指すものとして最も適切なものはどれか。

    • ア．畳み込みフィルタの重み
    • イ．画素ごとのクラスラベル
    • ウ．物体を囲む矩形の枠
    • エ．学習率のスケジュール

    正解：ウ．物体を囲む矩形の枠

    解説：正解は物体を囲む矩形の枠。物体検出ではバウンディングボックスと呼ばれる矩形で対象の位置を表し、その座標とサイズを予測することで画像中の物体がどこにあるかを特定する。

  65. 問65．画像分類タスクの説明として最も適切なものはどれか。

    • ア．各画素にラベルを付与する
    • イ．物体の位置を矩形で特定する
    • ウ．新規画像を生成する
    • エ．画像全体に対し一つのクラスラベルを予測する

    正解：エ．画像全体に対し一つのクラスラベルを予測する

    解説：正解は画像全体に対し一つのクラスラベルを予測すること。画像分類は画像全体が何であるかを判定するタスクで、物体の位置を特定する物体検出や画素ごとに分類するセグメンテーションとは区別される。

  66. 問66．セマンティックセグメンテーションの出力として最も適切なものはどれか。

    • ア．一つのクラスラベル
    • イ．物体ごとのバウンディングボックス
    • ウ．クラスごとの確率の一覧のみ
    • エ．各画素にクラスラベルを割り当てたマップ

    正解：エ．各画素にクラスラベルを割り当てたマップ

    解説：正解は各画素にクラスラベルを割り当てたマップ。セマンティックセグメンテーションは画素単位でクラスを予測する密な予測タスクであり、その出力は画像と同じ大きさのクラスラベルマップとなる。

  67. 問67．転移学習が特に有効に働く状況として最も適切なものはどれか。

    • ア．対象タスクの学習データが少ない場合
    • イ．学習データが極めて大量にある場合
    • ウ．ラベルが全く存在しない場合
    • エ．計算資源が無限にある場合

    正解：ア．対象タスクの学習データが少ない場合

    解説：正解は対象タスクの学習データが少ない場合。転移学習は大規模データで得た汎用特徴を再利用するため、対象タスクのデータが少なくても効率よく学習でき、高い精度を得やすい点で有効である。

  68. 問68．データ拡張の例として最も適切でないものはどれか。

    • ア．画像をランダムな倍率で拡大・縮小する
    • イ．画像をランダムな角度で回転させる
    • ウ．2枚の画像とそのラベルを同じ比率で混ぜ合わせる
    • エ．画像の正解ラベルを無作為に別のクラスへ書き換える

    正解：エ．画像の正解ラベルを無作為に別のクラスへ書き換える

    解説：正解は「画像の正解ラベルを無作為に別のクラスへ書き換える」である。データ拡張は、手元の学習データに変換を加えて新しいデータを作り、過学習を抑える手法で、変換の前後でラベルが正しく保たれることが前提になる。拡大・縮小や回転は代表的な幾何変換で、2枚の画像とそのラベルを同じ比率で混ぜ合わせる手法は Mixup と呼ばれる。ラベルを無作為に書き換えると、画像とラベルの対応が壊れた誤ったデータになるだけで、データ拡張にはならない。

    根拠： Nanni L. et al. "Comparison of Different Image Data Augmentation Approaches", Journal of Imaging 7(12):254, 2021 1. Introduction（augmentation と overfitting）、2. Related Works（geometric transformations・mixing images・caution must be taken to preserve labels）、App1（scaling） ／ Zhang H. et al. "mixup: Beyond Empirical Risk Minimization" (ICLR 2018) Abstract（convex combinations of pairs of examples and their labels）

  69. 問69．VAEと並ぶ代表的な生成モデルで、生成器と識別器の競合で学習するものはどれか。

    • ア．GAN
    • イ．ランダムフォレスト
    • ウ．ロジスティック回帰
    • エ．決定木

    正解：ア．GAN

    解説：正解はGAN。GANは生成器と識別器を敵対的に競わせて学習する代表的な生成モデルであり、確率分布を明示的に最適化するVAEとは異なるアプローチで本物に近いデータを生成する。

  70. 問70．ViTにおいて画像はどのように入力として扱われるか、最も適切なものはどれか。

    • ア．1画素ずつ時系列として入力する
    • イ．小さなパッチに分割して系列として扱う
    • ウ．畳み込み層のみで処理する
    • エ．周波数成分に変換して入力する

    正解：イ．小さなパッチに分割して系列として扱う

    解説：正解は小さなパッチに分割して系列として扱う。ViTは画像を固定サイズのパッチに分割し、それらを系列としてTransformerに入力して自己注意機構で関係を捉える点が従来のCNNと大きく異なる。

  71. 問71．説明可能性（XAI）の観点でGrad-CAMが提供するものとして最も適切なものはどれか。

    • ア．モデルが着目した画像領域の可視化
    • イ．学習速度の向上
    • ウ．パラメータ数の削減
    • エ．データ拡張の自動生成

    正解：ア．モデルが着目した画像領域の可視化

    解説：正解はモデルが着目した画像領域の可視化。Grad-CAMは出力クラスへの勾配を用いてモデルが判断に用いた重要な領域をヒートマップで可視化し、判断根拠の理解を助ける説明可能性の手法である。

  72. 問72．物体検出における非最大抑制（NMS）の閾値判定に主に用いられる指標はどれか。

    • ア．学習率
    • イ．エントロピー
    • ウ．IoU
    • エ．コサイン類似度

    正解：ウ．IoU

    解説：正解はIoU。NMSでは重複した検出ボックス同士のIoUを計算し、閾値を超えて重なるものをスコアの低い順に抑制することで、一つの物体に複数の枠が残るのを防いでいる。

  73. 問73．画像を複数の大きさの領域に分けてプーリングした特徴を統合するモジュールで画像全体の文脈を取り込み、セマンティックセグメンテーションの精度を高めたモデルはどれか。

    • ア．PSPNet
    • イ．SegNet
    • ウ．U-Net
    • エ．FCN

    正解：ア．PSPNet

    解説：PSPNet（Pyramid Scene Parsing Network）は、特徴マップを複数の粒度でプーリングして統合する Pyramid Pooling Module により大域的な文脈を取り込む。SegNet はプーリング位置を使ったアップサンプリング、U-Net はスキップ接続、FCN は全結合層を畳み込みに置き換えた構造が特徴である。

  74. 問74．EfficientNetが目指したものとして最も適切なものはどれか。

    • ア．生成画像の多様化
    • イ．少ない計算資源での高精度の達成
    • ウ．教師なし学習の実現
    • エ．系列データの処理

    正解：イ．少ない計算資源での高精度の達成

    解説：正解は少ない計算資源での高精度の達成。EfficientNetは深さ・幅・解像度を複合スケーリングでバランスよく拡大することで、限られたパラメータや計算量でも高い精度を効率的に達成することを目指したモデル群である。

  75. 問75．GANの生成器と識別器に畳み込み層を用い、プーリング層の代わりにストライド付きの畳み込みを使うなどの工夫で、画像生成の学習を安定させたモデルはどれか。

    • ア．StyleGAN
    • イ．DCGAN
    • ウ．CycleGAN
    • エ．pix2pix

    正解：イ．DCGAN

    解説：DCGAN（Deep Convolutional GAN）は、プーリングを使わずストライド付き畳み込み（識別器）と転置畳み込み（生成器）を用い、バッチ正規化を入れるなどの設計指針でGANの学習を安定させた。