用語比較

SSDとFaster R-CNNの違い｜デフォルトボックスで一段階か、領域提案を使う二段階か（G検定）

SSD（Single Shot MultiBox Detector）は、1つのニューラルネットワークだけで物体を検出する手法です。画像のどの位置にも、縦横比と大きさの異なる枠（デフォルトボックス）をあらかじめ置き、各枠に物体の種類のスコアと位置の補正を出力します。Faster R-CNNは、物体がありそうな領域を領域提案ネットワーク（RPN）で出し、その領域を分類する二段階の手法です。

SSDは領域提案を使わず一段階で検出し、Faster R-CNNはRPNで領域を提案してから検出すると覚えると、G検定の選択肢を切り分けられます。

このページは、2つの原論文（arXivの要旨）の記述をもとに、検出の流れ・複数サイズの物体への対応・速度と精度で比べます。YOLOとの違いは別のページにあります。

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

SSD

領域提案と、その後の画素や特徴の再サンプリングをなくし、すべての計算を1つのネットワークにまとめる。複数の解像度の特徴マップで大小の物体に対応する。

Faster R-CNN

RPNが全体画像の畳み込み特徴を共有して領域を提案し、Fast R-CNNがその領域を検出する。RPNと検出ネットワークは1つのネットワークに統合される。

見分け方

選択肢に「デフォルトボックス」「複数の特徴マップ」「提案生成なし」があればSSD、「RPN」「領域提案」「objectnessスコア」があればFaster R-CNN。

違いを表で確認

比較軸	SSD	Faster R-CNN
検出の流れ	SSD：領域提案のない一段階。デフォルトボックスごとに種類のスコアと位置の補正を出す	Faster R-CNN：RPNが領域を提案し、Fast R-CNNがその領域を検出する二段階
候補の作り方	SSD：特徴マップの各位置に、縦横比と大きさの異なるデフォルトボックスを置く	Faster R-CNN：RPNが各位置で物体の境界とobjectnessスコア（物体らしさ）を同時に予測する
大小の物体への対応と候補の数	SSD：解像度の異なる複数の特徴マップの予測を組み合わせて、大小の物体に対応する	Faster R-CNN：RPNの提案を、画像1枚あたり300個に絞って検出する（原論文の実験設定）
原論文の速度と精度	SSD：300×300入力でVOC2007テストのmAP 72.1%・58FPS（Titan X）。500×500入力でmAP 75.1%	Faster R-CNN：VGG-16でGPU上5fps（全工程を含む）。PASCAL VOCとMS COCOで当時の最高水準の精度
学習の統一	SSD：学習も推論も1つの枠組みで行い、検出部品として組み込みやすい	Faster R-CNN：RPNと検出ネットワークが畳み込み特徴を共有し、1つのネットワークになる

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。

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

「領域提案を使わず、1つのネットワークで検出する」という選択肢を問われる人

SSDです。提案生成とその後の再サンプリングの段階をなくし、すべての計算を1つのネットワークにまとめています。YOLOも同じ一段階の手法なので、「デフォルトボックス」「複数の特徴マップ」が出ていればSSDと判断します。

RPNの役割を問われる人

Faster R-CNNの部品です。全体画像の畳み込み特徴を検出ネットワークと共有し、物体の境界と物体らしさを各位置で予測して、領域を提案します。

R-CNN、Fast R-CNN、Faster R-CNNの順を整理したい人

原論文によれば、Fast R-CNNなどで検出の時間が短くなり、領域提案の計算が残る時間の中心になりました。RPNはその提案をほぼ追加費用なしで出す部品です。

具体例で使い分ける

例 1

選択肢に「デフォルトボックス」が出る場合（架空の場面）

「縦横比と大きさの異なる枠を各位置に置き、1つのネットワークで種類と位置を出す手法はどれか」という問いがあります。

枠をあらかじめ置いて、その枠ごとにスコアと位置の補正を出す方式は、SSDの記述です。
Faster R-CNNは、RPNが提案した領域を使う二段階なので、「提案生成を使わない」という前提と合いません。

結論: デフォルトボックスと一段階の組み合わせならSSDです。

例 2

選択肢に「RPN」が出る場合（架空の場面）

「畳み込み特徴を共有して領域を提案する部品を持つ手法はどれか」という問いがあります。

領域提案をネットワークで出し、その特徴を検出側と共有する構成は、Faster R-CNNです。
SSDは、領域提案そのものをなくす手法として説明されています。

結論: RPNが出ればFaster R-CNNです。

例 3

速度と精度の数値を問われる場合

2つの手法を速さだけで並べて比べるよう求められています。

SSDの58FPSは300×300入力でTitan Xを使った値、Faster R-CNNの5fpsはVGG-16で全工程を含むGPU上の値です。論文ごとに条件が違います。
SSDの論文は、500×500入力のSSDが同等のFaster R-CNNより高いmAPだったとも述べています。

結論: 数値は条件を確かめて読みます。SSDの原論文の要旨は、追加の提案段階を使う手法と同等の精度で、はるかに速いと述べています。

問題文から答えを選ぶ手順

1
領域提案の有無を見る
提案生成をなくして1つのネットワークで検出するならSSD、RPNで領域を提案するならFaster R-CNNです。
2
候補の置き方を見る
各位置に縦横比と大きさの異なる枠を置くのがSSDのデフォルトボックスです。RPNは各位置で物体らしさを予測します。
3
大小の物体への対応を見る
複数の解像度の特徴マップを組み合わせる記述はSSDです。
4
数値は条件を確かめる
FPSやmAPは入力サイズ・GPU・データセットで変わるため、条件をそろえずに優劣を決めません。

試験での見分け方

1SSDは、領域提案と再サンプリングの段階をなくし、1つのネットワークで検出する一段階の手法である。
2SSDは、位置ごとに縦横比と大きさの異なるデフォルトボックスを置き、複数の特徴マップの予測を組み合わせる。
3Faster R-CNNは、領域提案ネットワーク（RPN）で領域を提案し、Fast R-CNNで検出する。
4RPNは、全体画像の畳み込み特徴を検出ネットワークと共有し、領域提案をほぼ追加費用なしで出す。
5速度と精度の数値は、入力サイズ・GPU・データセットの条件を確かめて読む。

誤答しやすい選択肢

SSDもRPNで領域を提案すると考える

修正: SSDは領域提案を使いません。位置ごとに置いたデフォルトボックスを直接評価します。

デフォルトボックスをFaster R-CNNの用語と考える

修正: デフォルトボックスはSSDの用語です。Faster R-CNNでは、RPNの提案領域が候補になります。

FPSの数字だけで優劣を決める

修正: SSDの58FPSとFaster R-CNNの5fpsは、入力サイズやGPUなどの条件が違う別々の論文の値です。そのまま比べません。

確認問題

Q1領域提案をなくし、デフォルトボックスと複数の特徴マップで検出する手法は？

答え: SSD（Single Shot MultiBox Detector）

提案生成と再サンプリングの段階をなくし、すべての計算を1つのネットワークにまとめます。

Q2全体画像の畳み込み特徴を共有して領域を提案する、Faster R-CNNの部品は？

答え: 領域提案ネットワーク（RPN）

各位置で物体の境界と物体らしさを予測し、Fast R-CNNがその領域を検出します。

Q3SSDの原論文が、大きさの異なる物体に対応するために行うことは？

答え: 解像度の異なる複数の特徴マップの予測を組み合わせる

1つの特徴マップだけでなく、複数の特徴マップで検出することで、大小の物体を扱います。

到達チェック

SSDが領域提案を使わないことを言える
デフォルトボックスとRPNを使い分けられる
速度の数値は条件を確かめて読むと言える

同じ資格で次に知りたいこと

AdaGradとRMSpropの違い｜過去の勾配を全部足すか、古い分を薄めるか（G検定）
AdaGradとRMSpropの違いを、勾配の2乗の貯め方、学習率の変化、登場した年、Adamとの関係で整理。G検定の最適化手法の問題で迷わない見分け方と確認問題つき。
Mask R-CNNとFaster R-CNNの違い｜箱で囲むか、物体ごとのマスクまで出すか（G検定）
Mask R-CNNとFaster R-CNNの違いを、出力（境界ボックスとマスク）、追加された並列の枝、対応するタスクで整理。G検定の物体検出とインスタンスセグメンテーションで選択肢を切り分ける判断手順と確認問題つき。
状態価値関数と行動価値関数の違い｜状態だけの価値か、状態と行動の組の価値か（G検定）
強化学習の状態価値関数 v(s) と行動価値関数 q(s,a) の違いを、定義、引数、Q学習との関係、最適行動の選びやすさで整理。G検定の判断手順と確認問題つき。

よくある質問

QSSDとFaster R-CNNの違いは？

SSDは領域提案を使わず、デフォルトボックスと複数の特徴マップで一段階に検出します。Faster R-CNNはRPNで領域を提案してから検出する二段階の手法です。

QSSDは領域提案ネットワークを使いますか？

いいえ。SSDの原論文は、提案生成とその後の画素や特徴の再サンプリングの段階を完全になくしたと述べています。

QSSDはFaster R-CNNより必ず速いですか？

原論文では、SSDは追加の提案段階を使う手法と同等の精度で、はるかに速いとされています。ただし数値は入力サイズやGPUなどの条件で変わるため、条件をそろえずに比べないでください。

次に見る比較

G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。

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）