用語比較
VGGとResNetの違い（G検定の画像認識モデルの見分け方）
VGGは、3×3の小さな畳み込みフィルタを重ねて、重み層を16〜19層まで深くした画像認識モデルです。ResNetは、層を残差関数の学習に組み替える残差学習で、最大152層まで深くしたモデルです。
どちらも「ネットワークを深くすると精度が上がる」ことを示した代表例です。違いは、深くする方法にあります。VGGは小さなフィルタを積み重ね、ResNetは入力を飛び越えて足し合わせる接続（スキップ結合）を加えます。
G検定のシラバスでは、画像認識の例として、AlexNet、VGG、GoogLeNet、ResNetなどが挙がります。このページは、VGGとResNetの特徴を取り違えている人向けです。
ILSVRCそのものの説明は別のページで扱い、ここでは2つのモデル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
VGG
3×3の小さなフィルタで16〜19層まで深くした。ILSVRC 2014で位置特定1位・分類2位。
ResNet
残差学習とスキップ結合で最大152層まで深くした。ILSVRC 2015の分類で1位。
違いを表で確認
| 比較軸 | VGG | ResNet |
|---|---|---|
| 深くする方法 | VGG：非常に小さい3×3の畳み込みフィルタを重ねる | ResNet：層を残差関数の学習として組み替える（残差学習） |
| 層の数 | VGG：16〜19の重み層 | ResNet：最大152層（VGGの8倍の深さ） |
| 接続の特徴 | VGG：論文の中心は、フィルタの大きさと深さの影響の評価 | ResNet：スキップ結合が1層以上を飛び越え、出力を積み重ねた層の出力に足し合わせる |
| ILSVRCでの成績 | VGG：2014年に位置特定で1位、分類で2位 | ResNet：2015年の分類タスクで1位。アンサンブルの誤差3.57% |
| 計算量 | VGG：ResNetの論文で、深さの比較の基準にされた | ResNet：VGGの8倍の深さでも、計算量は低い |
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。
どこで迷っているかを切り分ける
「深いほど良い」としか覚えておらず、2つの違いを言えない人
VGGは小さな3×3フィルタで深さの影響を評価した論文で、ResNetは深いネットワークの学習の難しさを残差学習で和らげた論文です。深くした方法が違います。
スキップ結合がどちらのモデルの特徴か混ざる人
ResNetの論文は、スキップ結合を1層以上を飛び越える接続と定義し、その出力が積み重ねた層の出力に足し合わされるとしています。VGGの特徴ではありません。
ILSVRCの年と順位が覚えられない人
VGGは2014年、ResNetは2015年のILSVRCに関係します。ResNetは分類タスクで1位、VGGは位置特定で1位、分類で2位でした。
具体例で使い分ける
例 1
3×3の小さなフィルタを重ねて深くしたモデルを選ぶ場合
フィルタの大きさに着目した設問です。
- VGGの論文は、非常に小さい3×3の畳み込みフィルタを用いた構成で、深さを16〜19の重み層まで押し進めると大きな改善が得られると示しました。
- フィルタの大きさと層の数に着目した説明は、VGGのものです。
結論: 3×3フィルタを重ねて16〜19層にしたのは、VGGです。
例 2
入力を飛び越える接続で、深いネットワークを学習しやすくしたモデルを選ぶ場合
接続の仕組みに着目した設問です。
- ResNetの論文は、層を入力を参照した残差関数を学習するものとして組み替え、深いネットワークの学習を容易にしました。
- スキップ結合は恒等写像を行い、追加のパラメータも計算量も増やしません。
結論: 残差学習とスキップ結合は、ResNetです。
例 3
ILSVRC 2015の分類タスクで1位になったモデルを選ぶ場合
大会の成績に着目した設問です。
- ResNetの論文は、最大152層のResNetをImageNetで評価し、ILSVRC 2015の分類タスクで1位になったと述べます。
- VGGが関わったのは2014年の大会で、位置特定が1位、分類が2位でした。
結論: 2015年の分類タスクで1位は、ResNetです。
問題文から答えを選ぶ手順
- 1
特徴が小さなフィルタか、接続かを確認する
3×3フィルタを重ねる話ならVGG、入力を飛び越えて足し合わせる話ならResNetです。
- 2
層の数を確認する
16〜19層ならVGG、最大152層ならResNetです。
- 3
年を確認する
2014年のILSVRCならVGG、2015年の分類で1位ならResNetです。
- 4
学習の難しさへの対処かを確認する
深いネットワークを学習しやすくする工夫として問われたら、ResNetの残差学習です。
試験での見分け方
- 13×3の小さなフィルタを重ねて深くしたのは、VGG。
- 2残差学習とスキップ結合は、ResNet。
- 3最大152層はResNet、16〜19層はVGG。
- 4ILSVRC 2015の分類で1位は、ResNet。
誤答しやすい選択肢
スキップ結合をVGGの特徴だと答える
修正: スキップ結合を使って残差を学習するのはResNetです。VGGの論文の中心は、3×3フィルタで深さを増した場合の評価です。
ResNetの層の数を、16〜19層だと覚える
修正: 16〜19層はVGGです。ResNetは論文で最大152層を評価しており、VGGの8倍の深さです。
深くすれば必ず精度が上がると考える
修正: ResNetの論文は、深いネットワークは学習が難しいと述べています。その難しさを和らげるのが残差学習です。
確認問題
Q1非常に小さい3×3の畳み込みフィルタを重ねて、16〜19層まで深くしたモデルは何ですか？
答え: VGG
VGGの論文は、深さの影響を3×3フィルタの構成で評価しました。
Q2層を残差関数の学習として組み替え、最大152層まで深くしたモデルは何ですか？
答え: ResNet
入力を飛び越えるスキップ結合を使い、深いネットワークの学習を容易にしました。
Q3ILSVRC 2015の分類タスクで1位になったモデルは、VGGとResNetのどちらですか？
答え: ResNet
VGGは2014年の大会で、位置特定が1位、分類が2位でした。
到達チェック
- VGGが小さな3×3フィルタで深くしたことを言える
- ResNetの残差学習とスキップ結合を言える
- 2つの層の数の違いを言える
- ILSVRCでの成績の違いを言える
関連ページで確認する
同じ資格で次に知りたいこと
- データ拡張とオーバーサンプリングの違い（画像の水増しと少数派クラスの水増しの見分け方）
データ拡張とオーバーサンプリングの違いを、増やす対象と目的、変換の仕方、学習データだけに適用する理由、SMOTEとの関係、G検定での見分け方と確認問題まで、公式ドキュメントに沿って解説します。
- 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とU-Netの違いを、原論文の抄録に沿って、全畳み込みで任意サイズの入力を扱うFCNと、収縮パスと拡張パスで少数画像から学習するU-Netの構造、用途、成績まで整理し、G検定での見分け方と確認問題を示します。
- 透明性・説明可能性・解釈可能性の違い（NISTの分類でG検定に出る見分け方）
透明性、説明可能性、解釈可能性の違いを、NIST AI RMFの「何が起きたか・どのように・なぜ」の分類、AI事業者ガイドラインでの扱い、G検定での見分け方と確認問題まで、公式資料に沿って解説します。
よくある質問
QVGGとResNetの最大の違いは何ですか？
深くする方法です。VGGは3×3の小さなフィルタを重ね、ResNetは残差学習とスキップ結合で深くします。
QResNetは何層まで評価されましたか？
原論文は最大152層のResNetをImageNetで評価しました。VGGの8倍の深さです。
QVGGはILSVRCで何位でしたか？
2014年の大会で、位置特定が1位、分類が2位でした。
Qスキップ結合は何ですか？
1層以上を飛び越える接続です。ResNetでは恒等写像を行い、その出力が積み重ねた層の出力に足し合わされます。
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。
執筆: ミナト編集部（運営者情報を見る）