ViTとCNNの性質の違い

Vision Transformer（ViT）と畳み込みニューラルネットワーク（CNN）を比べた説明として、最も不適切なものを1つ選べ。

正解と解説を見る

解説

正解C

ポイント

ViTは浅い層から画像全体のパッチどうしの関係を捉えられる一方、局所性の前提が弱いため、大量の事前学習データを必要とします。

選択肢ごとの解説

A

適切

CNNは小さなフィルタを画像全体で使い回す構造に、局所性という前提（帰納バイアス）をもっています。ViTはこの前提が弱いため、大規模なデータで事前学習したときに高い性能を発揮します。
B

適切

Self-Attentionは入力の順序を区別しないため、ViTは学習で得る位置埋め込みを各パッチに加えます。CNNでは、畳み込みの計算の仕方そのものに画素の位置関係が反映されています。
C

不適切 ◯ 正解

層を重ねて受容野を少しずつ広げるのは、むしろCNNの性質です。ViTのSelf-Attentionはすべてのパッチどうしの関連度を計算するため、浅い層から画像全体の情報を取り込めます。
D

適切

ViTはBERTにならい、学習可能な分類用トークン（クラストークン）をパッチの系列の先頭に加えます。最終層でのこのトークンの出力を分類器に入力し、画像のクラスを予測します。

試験での狙われ方

ViTはCNNとの対比で、局所性の前提（帰納バイアス）の強さと必要なデータ量の関係を問う形が考えられます。

関連用語

Vision Transformer、CNN、Self-Attention、位置エンコーディング、Transformer

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
Dosovitskiy et al., An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (2020) 2026年10月30日閲覧

オリジナル問題（過去問ではありません） AIで作成人による確認：未誤りを報告

出典と作成について

作成：ウカトレ編集部（AIで作成し、別のAIが一次資料と照合。手順は編集方針）

公開日：2026年10月30日最終更新日：2026年10月30日最終確認日：2026年10月30日

シラバス第1.4版技術26「画像認識」の問題です。