CNNの畳み込み層に関する説明として、最も不適切なものを1つ選べ。
1つ選んでください
正解と解説を見る
解説
正解D
ポイント
パディングは、畳み込みで特徴マップが小さくなるのを抑えるために、入力の周囲を埋める操作です。
選択肢ごとの解説
- A
適切
畳み込み層は小さなフィルタを入力全体で使い回します（重み共有）。各出力は入力の近くの領域だけから計算されるため、パラメータ数を抑えつつ、エッジなどの局所的なパターンを検出できます。
- B
適切
間隔を空けると、同じ数の重みでより広い範囲を見られます。解像度を保ったまま広い文脈を捉えられるため、DeepLabなどのセマンティックセグメンテーションのモデルで用いられています。
- C
適切
1枚のフィルタを入力の全位置に適用した結果が1枚の特徴マップです。値が大きい位置ほど、そのフィルタが反応するパターンが強く現れていることを示します。
- D
不適切 ◯ 正解
パディングの目的は逆で、畳み込みによる特徴マップの縮小を抑えることです。入力の端の画素もフィルタの中央で扱えるようになり、端の情報が失われにくくなります。
試験での狙われ方
パディング、ストライド、重み共有、Dilated Convolutionなどの役割を入れ替えた記述の正誤を問う形が典型的です。
関連用語
パディング、特徴マップ、Dilated Convolution、CNN
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目18 畳み込み層） 2026年10月30日閲覧
- Yu, Koltun, Multi-Scale Context Aggregation by Dilated Convolutions (2015) 2026年10月30日閲覧
- Chen et al., DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs (2016) 2026年10月30日閲覧