G検定 用語解説
Mask R-CNNとは
物体検出に、物体ごとの領域を画素単位で塗り分けるマスク出力を加えた、インスタンスセグメンテーションの手法。
まず押さえる結論
Mask R-CNN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
入力画像を段階的に縮小して特徴を抽出する経路と、段階的に拡大して元の解像度へ戻す経路を左右対称に配置し、対応する層どうしを直接つないで細かな位置情報を補いながら画素単位の領域分けを出力する、医用画像などで広く用いられるモデルはどれか。
正解はU-Net。特徴を抽出する収縮経路と、解像度を元へ戻す拡大経路を左右対称に配置し、対応する層どうしをスキップ結合で直接つないで細部の位置情報を補いながら画素単位の領域分け（セマンティックセグメンテーション）を出力するモデルで、医用画像などで広く使われる。FCNも画素単位の領域分けを行うが左右対称のU字構造を特徴とはしない。Mask R-CNNは物体ごとに領域を切り出すインスタンスセグメンテーションの手法、Faster R-CNNは矩形で物体位置を求める物体検出の手法であり、いずれも本問の説明とは異なる。 タスクと構造の両方を見る。Faster R-CNNは矩形の物体検出、Mask R-CNNは物体ごとのマスク、FCNも画素分類を行うが対称な収縮・拡大経路を名称の核としない。U字形の経路と対応層のスキップ接続を持つU-Netが一致する。
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声認識で、人間の聴覚特性を考慮した音声特徴量として古くから使われるものはどれか。
正解は「メル周波数ケプストラム係数」である。メル周波数ケプストラム係数は、音声信号から人間の聴覚特性を考慮した特徴を取り出す音声認識で使われる特徴量である。ViTとMask R-CNNは画像分野、seq2seqは系列変換モデルで自然言語処理などに使われ、音声特徴量そのものではない。 候補がモデルか特徴量かを分ける。ViTとMask R-CNNは画像モデル、seq2seqは系列から系列への変換モデルである。音声を短時間分析し、メル尺度のフィルタバンクとケプストラムで表すMFCCが音声認識の代表的特徴量である。
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
物体検出で、領域候補を絞り込む段階を設けず、さまざまな大きさや縦横比の基準となる枠を使って、一度の処理で物体の位置と種類を検出する一段階の手法はどれか。
正解はSSD。YOLOと同じく領域候補を絞り込む段階を設けない一段階の物体検出手法で、あらかじめ定めたさまざまな大きさや縦横比の枠（デフォルトボックス）を使って、一度の処理で物体の位置と種類を検出し高速に動作する。Faster R-CNNは領域提案ネットワークを備えた二段階の手法、Mask R-CNNは物体検出に領域の塗り分けを加えた手法、U-Netは医療画像などのセグメンテーションに使われる構造で、いずれも一段階検出のSSDとは異なる。 物体検出は候補領域を別段階で作るかを見る。Faster R-CNNとMask R-CNNは領域提案を用いる二段階系で、U-Netは画素領域分割である。特徴マップ上のデフォルトボックスからクラスと位置を一度に予測する一段階法はSSDである。
同じ章で確認したい用語
到達チェック
- Mask R-CNN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、Mask R-CNN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）