G検定 用語解説
Vision Transformerとは
画像を小さなパッチに分割して系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデル。
まず押さえる結論
Vision Transformer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。 一次情報確認日: 2026-10-02。
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
Dosovitskiyらが2020年に発表したVision Transformer（ViT）の原論文の抄録が述べる主張として、最も適切なものはどれか。
正解は「画像分類でも畳み込みネットワークへの依存は必要なく、画像パッチの系列へ直接適用した純粋なTransformerで非常に良い性能を出せる」である。ViTの原論文（arXiv:2010.11929）の抄録は、Transformerが自然言語処理の事実上の標準になった一方で、画像では注意機構が畳み込みネットワークと併用されるか、その一部の部品の置き換えに使われてきたと述べる。そのうえで、CNNへの依存は必要なく、画像パッチの系列へ直接適用した純粋なTransformerが画像分類で非常に良い性能を出せると示す。大量のデータで事前学習して中小規模のベンチマークへ転移すると、最先端の畳み込みネットワークと比べて優れた結果を、学習に必要な計算資源を大幅に減らして達成すると述べる。
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
画像を小さなパッチに分割してそれらを系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルはどれか。
正解はVision Transformer（ViT）。画像を小さなパッチに分割して系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルで、畳み込みを用いずに高い性能を示した。畳み込みニューラルネットワーク（CNN）は畳み込みで画像の特徴を抽出する従来の手法、リカレントニューラルネットワーク（RNN）は系列を再帰的に処理する手法、敵対的生成ネットワーク（GAN）はデータ生成の手法であり、いずれも自己注意を画像認識に応用したモデルではない。 画像の表現単位と中心演算を照合する。RNNは隠れ状態を再帰更新し、GANは生成器と識別器を競わせ、CNNはカーネルで局所領域を畳み込む。画像パッチをトークンのように並べTransformerへ入力するのはVision Transformerである。
同じ章で確認したい用語
到達チェック
- Vision Transformer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、Vision Transformer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）