G検定大項目6 ディープラーニングの応用例予想問題（3/3）

第79問〜第80問を掲載しています。答えを開き、誤答選択肢との違いまで確認してください。この章の第1問から読む場合は大項目6 ディープラーニングの応用例のページへ戻ります。

情報源と編集区分

公式範囲を確認し、問題文・選択肢・解説は当サイトが作成。本試験問題の複写ではありません。一次情報確認日: 2026-10-02。

試験概要（公式）

第79問・画像認識・物体検出

Renらが2015年に発表したFaster R-CNNの原論文（Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks）の抄録が導入する中心的な仕組みとして、最も適切なものはどれか。

ア画像を一度に格子へ分割し、各格子から境界ボックスとクラス確率を直接回帰するネットワーク
イ検出ネットワークと画像全体の畳み込み特徴を共有し、領域提案をほぼ無料にするRegion Proposal Network（RPN）
ウ画像を16×16のパッチの系列にして、純粋なTransformerで分類するネットワーク
エ収縮パスと対称的な拡張パスを持ち、少数の画像からセグメンテーションを学習するネットワーク

答えと解説を見る

イ検出ネットワークと画像全体の畳み込み特徴を共有し、領域提案をほぼ無料にするRegion Proposal Network（RPN）正解

解説

正解は「検出ネットワークと画像全体の畳み込み特徴を共有し、領域提案をほぼ無料にするRegion Proposal Network（RPN）」である。Faster R-CNNの原論文（arXiv:1506.01497）の抄録は、最先端の物体検出ネットワークが物体の位置を仮定する領域提案アルゴリズムに依存し、SPPnetやFast R-CNNで検出ネットワークの実行時間が短くなった結果、領域提案の計算がボトルネックになったと述べる。そこで、検出ネットワークと画像全体の畳み込み特徴を共有することで領域提案をほぼ無料にするRegion Proposal Network（RPN）を導入する。RPNは各位置で物体の境界と物体らしさのスコアを同時に予測する全畳み込みネットワークで、その提案をFast R-CNNが検出に使い、両者は畳み込み特徴を共有する1つのネットワークに統合される。VGG-16ではすべての工程を含めてGPU上で5fpsを達成したと述べる。

https://arxiv.org/abs/1506.01497 を2026-10-08に確認／G検定シラバス2024（大項目6 ディープラーニングの応用例）

第80問・生成AI・基盤モデル

Hoらが2020年に発表した拡散確率モデルの論文（Denoising Diffusion Probabilistic Models）の抄録が述べる内容として、最も適切なものはどれか。

ア非平衡熱力学に着想を得た潜在変数モデルの一種である拡散確率モデルで高品質な画像合成の結果を示し、重み付き変分下界で学習した
イ生成器と識別器を敵対的に同時学習する枠組みで、拡散過程を使わずに画像を生成する
ウラベル付き画像だけを使い、画像の分類精度を高めるために拡散過程を導入した
エ言語モデルの出力を人間の評価で調整し、画像ではなく文章の品質を高める手法を示した

答えと解説を見る

ア非平衡熱力学に着想を得た潜在変数モデルの一種である拡散確率モデルで高品質な画像合成の結果を示し、重み付き変分下界で学習した正解

解説

正解は「非平衡熱力学に着想を得た潜在変数モデルの一種である拡散確率モデルで高品質な画像合成の結果を示し、重み付き変分下界で学習した」である。拡散確率モデルの論文（arXiv:2006.11239）の抄録は、非平衡熱力学の考え方に着想を得た潜在変数モデルの一種である拡散確率モデルで、高品質な画像合成の結果を示すと述べる。最良の結果は、拡散確率モデルとLangevin動力学を用いたデノイジング・スコアマッチングの新しい関係に基づいて設計した重み付き変分下界で学習して得られる。条件なしのCIFAR10でInception scoreは9.46、最先端のFIDスコアは3.17、256×256のLSUNではProgressiveGANと同程度の標本品質を得たと述べる。

https://arxiv.org/abs/2006.11239 を2026-10-08に確認／G検定シラバス2024（大項目6 ディープラーニングの応用例）

← 前へ演習で解く用語集で戻る

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）