AI資格ドリル
資格を選ぶ↓

用語比較

FCNとU-Netの違い（G検定のセグメンテーションモデルの見分け方）

FCNは、任意の大きさの入力を受け取り、対応する大きさの出力を作る「全畳み込み」ネットワークで、セマンティックセグメンテーションに畳み込みネットワークを直接使えることを示したモデルです。U-Netは、収縮パスと拡張パスを対称に組み合わせ、少数の注釈付き画像から学習できるようにしたモデルです。

どちらも、画像の画素ごとにラベルを予測するセグメンテーションのモデルです。違いは、FCNが既存の分類ネットワークを全畳み込みに作り替える点にあり、U-Netが対称な構造とデータ拡張で少ない画像から学ぶ点にあります。

G検定のシラバスでは、セグメンテーションの例としてFCNとU-Netが挙がります。このページは、2つの名前と特徴を取り違えている人向けです。

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の違いは別のページで扱い、ここではモデル2つの切り分けに絞ります。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。

結論

FCN

全畳み込みで任意サイズの入力に対応サイズの出力を返す。AlexNet・VGG・GoogLeNetを作り替えた。

U-Net

収縮パスと対称な拡張パスを持ち、データ拡張で少数画像から学習する。ISBI 2015で優勝。

違いを表で確認

比較軸FCNU-Net
特徴FCN：任意の大きさの入力を受け取り、対応する大きさの出力を作る全畳み込みネットワークU-Net：文脈を捉える収縮パスと、精密な位置特定を可能にする対称な拡張パス
土台の作り方FCN：AlexNet・VGG・GoogLeNetを全畳み込みネットワークに適応させ、ファインチューニングで転移したU-Net：データ拡張を強く使い、限られた注釈付きサンプルを効率よく使う
層の情報の使い方FCN：深く粗い層の意味情報と、浅く細かい層の外観情報を組み合わせるU-Net：収縮パスで文脈を捉え、拡張パスで位置を精密にする
学習に使う画像FCN：end-to-end、pixels-to-pixelsで学習するU-Net：ごく少数の画像からend-to-endで学習できる
論文で示された成績FCN：PASCAL VOC 2012で平均IU 62.2%（相対20%改善）U-Net：ISBI細胞追跡チャレンジ2015の該当カテゴリで優勝

G検定の学習に使う書籍（Amazon）

試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

どちらも「画素ごとに予測するモデル」としか覚えていない人

FCNは分類ネットワークを全畳み込みに作り替えて任意サイズの入力に対応しました。U-Netは対称な収縮パスと拡張パスで、少数の画像から学習できるようにしました。

02

U-Netの形と特徴が結びつかない人

U-Netの論文は、構造を、文脈を捉える収縮パスと、精密な位置特定を可能にする対称な拡張パスと説明します。

03

FCNが何を変えたのか言えない人

FCNの論文は、畳み込みネットワークだけをend-to-endで学習するとセマンティックセグメンテーションの最先端を超えると示しました。

具体例で使い分ける

例 1

分類ネットワークを全畳み込みに作り替えたモデルを選ぶ場合

構造の作り方に着目した設問です。

  • FCNの論文は、AlexNet、VGG、GoogLeNetを全畳み込みネットワークに適応させ、ファインチューニングでセグメンテーションに転移したと述べます。
  • 任意の大きさの入力を受け取り、対応する大きさの出力を作ります。

結論: 分類ネットワークの全畳み込み化は、FCNです。

例 2

収縮パスと拡張パスを持つモデルを選ぶ場合

構造の形に着目した設問です。

  • U-Netの論文は、文脈を捉える収縮パスと、精密な位置特定を可能にする対称な拡張パスからなると述べます。
  • データ拡張を強く使い、少数の注釈付き画像から学習します。

結論: 収縮パスと対称な拡張パスは、U-Netです。

例 3

少数の画像から学習して、細胞追跡チャレンジで優勝したモデルを選ぶ場合

成績と用途に着目した設問です。

  • U-Netの論文は、ごく少数の画像からend-to-endで学習でき、ISBI細胞追跡チャレンジ2015の該当カテゴリで優勝したと述べます。
  • 論文の題名にも、生体医用画像のセグメンテーションとあります。

結論: 少数画像から学習し細胞追跡で優勝したのは、U-Netです。

問題文から答えを選ぶ手順

  1. 1

    構造の説明を確認する

    全畳み込みで任意サイズに対応ならFCN、収縮パスと拡張パスならU-Netです。

  2. 2

    土台の説明を確認する

    AlexNetやVGGを作り替えたならFCN、データ拡張で少数画像から学ぶならU-Netです。

  3. 3

    用途を確認する

    生体医用画像と細胞追跡の話ならU-Netです。

  4. 4

    発表の年を確認する

    FCNは2014年、U-Netは2015年にarXivで公開されました。

試験での見分け方

  • 1任意の大きさの入力に対応する全畳み込みは、FCN。
  • 2収縮パスと対称な拡張パスは、U-Net。
  • 3AlexNet・VGG・GoogLeNetを作り替えたのは、FCN。
  • 4少数画像とデータ拡張、細胞追跡の優勝は、U-Net。

誤答しやすい選択肢

U-Netが分類ネットワークを作り替えたモデルだと答える

修正: AlexNet・VGG・GoogLeNetを全畳み込みに適応させたのはFCNの論文です。U-Netの論文の中心は、対称な構造とデータ拡張です。

FCNを少数画像向けのモデルだと考える

修正: 少数の注釈付き画像から学習する工夫を中心に据えたのはU-Netです。FCNの鍵は全畳み込みです。

どちらも物体を個体ごとに分けるモデルだと考える

修正: FCNの論文はセマンティックセグメンテーションを扱っています。個体の区別を問う設問では、インスタンスセグメンテーションの用語を確認します。

確認問題

Q1任意の大きさの入力を受け取り、対応する大きさの出力を作る全畳み込みネットワークは何ですか？

答え: FCN

AlexNet、VGG、GoogLeNetを全畳み込みに適応させました。

Q2収縮パスと対称な拡張パスを持ち、データ拡張で少数画像から学習するモデルは何ですか？

答え: U-Net

生体医用画像のセグメンテーションを扱った論文で、ISBI細胞追跡チャレンジ2015で優勝しました。

Q3FCNが転移学習の土台にした、分類ネットワークを3つ挙げてください。

答え: AlexNet、VGG、GoogLeNet

論文はこれらを全畳み込みに適応させ、ファインチューニングで転移したと述べます。

到達チェック

  • FCNが全畳み込みであることを言える
  • U-Netの収縮パスと拡張パスを言える
  • FCNが土台にした3つのネットワークを言える
  • U-Netの用途と成績を言える

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

QFCNとU-Netの最大の違いは何ですか？

A

FCNは分類ネットワークを全畳み込みに作り替えた点、U-Netは対称な収縮パスと拡張パスとデータ拡張で少数画像から学ぶ点が特徴です。

QFCNは何を土台にしましたか？

A

原論文はAlexNet、VGG、GoogLeNetを全畳み込みネットワークに適応させ、ファインチューニングで転移したと述べます。

QU-Netの名前の由来は何ですか？

A

原論文の抄録は、収縮パスと対称な拡張パスからなる構造を述べています。名前の由来そのものは抄録に書かれていません。

QU-Netはどんな画像で成果を出しましたか？

A

電子顕微鏡の神経構造のセグメンテーションと、ISBI細胞追跡チャレンジ2015の位相差・DIC顕微鏡画像で成果を出しました。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）