画像分類モデルの設計の工夫｜G検定練習問題 #0066

画像分類に用いられるモデルに関する説明として、最も適切なものを1つ選べ。

正解と解説を見る

解説

正解B

ポイント

GoogLeNetは、複数サイズの畳み込みを並列に行うInceptionモジュールで、計算量を抑えつつ多様な特徴を捉えました。

A

不適切

VGGは3×3の小さなフィルタの畳み込みを何層も重ねる設計です。小さなフィルタを重ねると、同じ受容野をより少ないパラメータで得られます。11×11の大きなフィルタはAlexNetの最初の層で使われました。
B

適切 ◯ 正解

Inceptionモジュールは1×1・3×3・5×5の畳み込みとプーリングを並列に行い、出力をチャネル方向に結合します。1×1畳み込みでチャネル数を減らして計算量を抑えています。ILSVRC2014の分類部門で優勝しました。
C

不適切

EfficientNetは、深さ（層の数）・幅（チャネル数）・入力画像の解像度の3つを、1つの係数でバランスよく同時に拡大します（複合スケーリング）。少ないパラメータ数で高い精度を達成しました。
D

不適切

Vision Transformerは、画像を16×16画素などの小さなパッチに分割し、各パッチを1つのトークンとして扱います。画素単位では系列が長くなり過ぎ、Self-Attentionの計算量が膨大になります。

モデル名と設計上の工夫（小さなフィルタ、並列化、複合スケーリング、パッチ分割）の対応を問う形が見られます。