CutMixの提案のねらい

画像の一部を塗りつぶして隠すCutout、2枚の画像全体を重ね合わせるMixup、別の画像の一部を切り取って貼り付けるCutMixを比べた説明として、最も適切なものを1つ選べ。

正解と解説を見る

解説

正解A

ポイント

CutMixは、Cutoutで塗りつぶして無駄になる領域を別の画像で埋める手法です。画素を無駄なく使え、Mixupより局所的に自然な画像になります。

選択肢ごとの解説

A

適切 ◯ 正解

CutMixの論文は、塗りつぶした領域の画素が学習に使われない点を、Cutoutのような手法の弱点としました。その領域に別の画像を入れることで、一部を隠す効果を保ったまま、画素を無駄なく使えます。
B

不適切

どの部分も一方の画像と同じ見た目になるのは、CutMixの性質です。Mixupは全画素を半透明に重ねるため、局所的に不自然な画像になりやすく、CutMixの論文はこの点も改善の対象としました。
C

不適切

CutMixは、貼り付ける領域の位置をランダムに決めます。必要なのは画像単位の正解ラベルだけで、物体の位置の正解データは使いません。それでも、物体の位置をとらえる力が高まったと報告されています。
D

不適切

CutMixは学習時に使うデータ拡張で、推論時は元の画像をそのまま入力します。推論時に複数の変換画像の予測を平均する工夫は、テスト時のデータ拡張として別に扱われます。

試験での狙われ方

Cutout、Mixup、CutMixを並べ、画像の作り方とラベルの扱いの違いを問う形が考えられます。CutMixは両者の特徴を組み合わせた手法と捉えると整理しやすくなります。

関連用語

CutMix、Cutout、Mixup、データ拡張

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25 データ拡張） 2026年10月31日閲覧
Sangdoo Yun et al., CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features (2019) 2026年10月31日閲覧
Hongyi Zhang, Moustapha Cisse, Yann N. Dauphin, David Lopez-Paz, mixup: Beyond Empirical Risk Minimization (2017) 2026年10月31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31日最終更新日：2026年10月31日最終確認日：2026年10月31日

シラバス第1.4版技術25「データ拡張」の問題です。