G検定 用語解説
VGGとは
非常に小さい3×3の畳み込みフィルタを用い、重み層を16層から19層まで深くした画像認識モデル。層を深くすると精度が上がるかを調べた研究で知られる。
VGGの意味と見分け方
VGGは、G検定の「大項目6 ディープラーニングの応用例」に出てくる用語です。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。
試験概要（公式）比較記事でさらに確認する
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
「大項目6 ディープラーニングの応用例」の問題で、取り違えやすい組み合わせです。
- 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
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。
大項目6 ディープラーニングの応用例 / モデルの解釈性・軽量化
CAMとGrad-CAMの違いを説明したものとして、最も適切なものはどれか。
正解は「CAMは全体平均プーリングを含む構成を前提に出力層の重みを使う。Grad-CAMは勾配を使い、CAMの一般化として全結合層を持つCNNにも構造変更や再学習なしで適用できる」という説明である。Zhouらは、最終出力層の直前に全体平均プーリングを置く構成で、出力層の重みを畳み込み特徴マップへ射影し直す手法をCAMと呼んだ。Selvarajuらが提案したGrad-CAMは、目的の概念に対する勾配が最終畳み込み層へ流れ込む量を使う。VGGのように全結合層を持つCNNなど、幅広いモデルへ構造変更や再学習なしで適用でき、CAMの一般化と位置づけられている。他の選択肢が挙げるシャッフル、局所モデルの学習、シャープレイ値は、それぞれPermutation Importance、LIME、SHAPの説明である。
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
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。
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。
同じ章で確認したい用語
到達チェック
- VGG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、VGG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: AI資格ドリル編集部（運営者情報を見る）