ResNetと、ResNet以降に提案された画像分類モデル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C
ポイント
DenseNetは前の層の出力を足すのではなくチャネル方向に連結する点が、加算でつなぐResNetとの違いです。
選択肢ごとの解説
- A
適切
スキップ結合があると、各ブロックは入力との差分（残差）だけを学べばよくなり、深くしても学習が進みやすくなります。ResNetは152層のモデルなどを用いて、ILSVRC2015の画像分類部門で優勝しました。
- B
適切
Wide ResNetは、ResNetを細く深くするより、幅（チャネル数）を広げるほうが効率がよいことを示しました。16層のモデルでも、1,000層を超える細いResNetを精度と効率の両面で上回りました。
- C
不適切 ◯ 正解
DenseNetは、前のすべての層の特徴マップを足し合わせるのではなく、チャネル方向に連結して次の層の入力にします。過去の特徴をそのまま再利用できるため、少ないパラメータで高い精度を得やすくなります。
- D
適切
SEブロックは、Global Average Poolingで各チャネルを1つの値に圧縮し（Squeeze）、全結合層とシグモイド関数でチャネルごとの重みを求めて掛け合わせます（Excitation）。SENetはILSVRC2017の画像分類部門で優勝しました。
試験での狙われ方
ResNet系の派生モデルは、つなぎ方（加算か連結か）、深さか幅か、チャネルの重み付けといった工夫の違いで区別させる問い方が考えられます。
関連用語
ResNet、DenseNet、SENet、グローバルアベレージプーリング
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26 画像認識） 2026年10月30日閲覧
- He et al., Deep Residual Learning for Image Recognition (2015) 2026年10月30日閲覧
- Huang et al., Densely Connected Convolutional Networks (2016) 2026年10月30日閲覧
- Zagoruyko and Komodakis, Wide Residual Networks (2016) 2026年10月30日閲覧
- Hu et al., Squeeze-and-Excitation Networks (2017) 2026年10月30日閲覧