G検定 用語解説
物体検出（R-CNN／YOLO）とは
画像中の物体の位置と種類を検出するタスク。R-CNN系やYOLOが代表的。
まず押さえる結論
物体検出（R-CNN／YOLO）は、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 自然言語処理
単語を固定長の実数ベクトルに変換し、ベクトルの加減算によって単語間の意味的な関係を表せるようにした代表的な手法はどれか。
正解は「word2vec」である。単語を固定長の実数ベクトル（分散表現）に変換し、ベクトルの演算で意味的な関係を表せるようにした代表的手法はword2vec。形態素解析は文を単語に分割する処理、seq2seqは系列変換のモデル、機械翻訳はタスク名であり、いずれも単語ベクトルそのものを学習する手法ではない。4つの選択肢は「単語のベクトル化」「文を単語に分割する処理」「系列を別の系列に変換するモデル」「言語間変換というタスク名」という異なる役割に分かれる。
大項目6 ディープラーニングの応用例 / 自然言語処理
Transformerを基盤とし、文の前後両方向の文脈を同時に捉えて事前学習を行い、その後さまざまな言語タスクにファインチューニングして使われる言語モデルはどれか。
正解は「BERT」である。Transformerを基盤に、前後両方向の文脈を同時に捉えて事前学習し、各タスクへファインチューニングして使うのはBERT。GPTもTransformer系だが左から右への一方向（自己回帰）で、両方向同時ではない。word2vecは静的な単語ベクトル、seq2seqは系列変換のモデルで、いずれも双方向の事前学習言語モデルではない。BERTとGPTはともにTransformerを基盤とする点で共通するが、文脈を捉える方向（双方向か一方向か）が異なる。
大項目6 ディープラーニングの応用例 / 自然言語処理
入力した系列をいったん固定長のベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルで、機械翻訳などに用いられるものはどれか。
正解は「seq2seq」である。入力系列を固定長ベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルがseq2seqで、機械翻訳などに用いられる。形態素解析は分かち書き処理、word2vecは単語ベクトルの獲得、BERTは双方向の事前学習モデルであり、生成的な系列変換を主目的とはしない。4つの選択肢は「単語ベクトルの獲得」「文の分割」「双方向の事前学習」「系列から系列への生成」という異なる目的に分かれる。
同じ章で確認したい用語
到達チェック
- 物体検出（R-CNN／YOLO）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、物体検出（R-CNN／YOLO）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）