G検定 用語解説
U-Netとは
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。
まず押さえる結論
U-Net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 / 自然言語処理
文中の単語を周囲の文脈に応じたベクトル表現として扱い、Transformerを基盤に事前学習された自然言語処理モデルとして最も適切なものはどれか。
正解は「BERT」である。BERTはTransformerを基盤とする自然言語処理モデルで、文脈に応じた単語表現を扱う。YOLOは物体検出、U-Netは画像のセグメンテーション、WaveNetは音声生成・音声処理に関係するモデルであり、自然言語処理のTransformer系モデルとして問われる場合の答えではない。 各モデルの媒体とタスクを照合する。YOLOは画像の物体検出、U-Netは画像領域分割、WaveNetは音声波形生成に関係する。双方向の文脈を使うTransformerエンコーダを事前学習した自然言語モデルはBERTである。
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声波形を直接扱い、高品質な音声生成・音声合成と関連して知られるディープラーニングモデルはどれか。
正解は「WaveNet」である。WaveNetは音声波形を扱うディープラーニングモデルとして知られ、音声生成や音声合成と関連する。YOLOは物体検出、BERTは自然言語処理、U-Netは画像のセグメンテーションでよく使われるモデルである。 候補を媒体とタスクで分ける。YOLOは画像の物体検出、BERTはTransformer系の自然言語モデル、U-Netは画像領域分割である。時間方向の音声波形サンプルを条件付きで順次生成するモデルはWaveNetである。
同じ章で確認したい用語
到達チェック
- U-Net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、U-Net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）