G検定 用語解説
GoogLeNetとは
サイズの異なる複数の畳み込みフィルタやプーリングを同じ入力に並列に適用し、その出力を結合するInception構造を採用した画像認識モデル。
まず押さえる結論
GoogLeNet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 / 画像認識・物体検出
画像認識の競技会ILSVRCにおいて、ディープラーニング（畳み込みニューラルネットワーク）を用いた手法で従来手法を大差で上回って優勝し、その後のディープラーニング隆盛のきっかけをつくったモデルはどれか。
正解は「AlexNet」である。ILSVRCでディープラーニングを用いて従来手法を大差で上回り優勝し、ディープラーニング隆盛の契機となったのはAlexNet。GoogLeNet・ResNet・VGGはいずれもその後のILSVRC等で精度を高めた後続のモデルで、ブームの火付け役ではない。3つの後続モデルはさらに固有の特徴で見分けられる。ResNetはスキップ結合（残差接続）によって層を深くしても学習が崩れないようにした点、GoogLeNetはInceptionモジュールを採用した点がそれぞれの識別材料になる。VGGはAlexNetより後のILSVRCで登場し精度を高めた後続モデルであり、最初の優勝モデルではない。
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
GoogLeNetに採用された、サイズの異なる複数の畳み込みフィルタやプーリングを同じ入力に並列に適用し、それらの出力を結合することで多様な大きさの特徴を同時に捉えようとする構造はどれか。
正解はInception。GoogLeNetは、サイズの異なる複数の畳み込みフィルタやプーリングを同じ入力に並列に適用し、その出力を結合する構造（Inception）を積み重ねたモデルで、多様な大きさの特徴を同時に捉える。スキップ結合（残差接続）は層を飛び越えて入力を足し合わせる別の工夫でResNetに用いられる。ドロップアウトはノードをランダムに無効化する過学習対策、バッチ正規化は層の出力分布を整える手法であり、いずれも並列の畳み込みを束ねる構造ではない。 分岐の形とモデル名を対応させる。残差接続はResNetで入力を後段へ加算し、ドロップアウトはユニットを無効化し、バッチ正規化は活性値の分布を整える。同じ入力に複数サイズの処理を並べ出力を連結するのがInceptionである。
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
非常に小さい3×3の畳み込みフィルタを繰り返し用い、重み層を16層から19層まで深くした構成を評価した画像認識モデルはどれか。
正解は「VGG」である。VGGは、非常に小さい3×3の畳み込みフィルタを繰り返し用い、重みを持つ層を16層から19層まで深くした構成を評価した画像認識モデルである。ResNetはスキップ結合で入力を後段へ加算し、深いネットワークを学習しやすくしたモデルである。GoogLeNetは異なる大きさの畳み込みやプーリングを並列に適用して結合するInception構造で知られる。YOLOは画像全体を一度に処理して物体の位置と種類を予測する物体検出手法である。3×3フィルタの反復と16〜19層という条件がVGGを識別する決め手になる。
同じ章で確認したい用語
到達チェック
- GoogLeNet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、GoogLeNet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）