---
title: "DenseNet（高密度接続CNN）とは？G検定対策"
description: "DenseNet（高密度接続CNN）について、G検定で問われる画像認識・CNN分野の観点から、画像タスクでの役割、特徴抽出の流れ、代表モデルとの関係を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/densenet/"
section: "gk"
---

## まず結論

* **DenseNet（Densely Connected Convolutional Network）**とは、各層が**それ以前のすべての層の出力を結合（concatenate）して受け取る**ことで、勾配消失を防ぎつつ効率的に学習するCNN。
* G検定では**ResNetとの違い（足し算か／結合か）**を正しく区別できるかが問われる。

## 直感的な説明

* ResNetは、

  * 「近道（skip）」で情報を**足し算**します。
* DenseNetは、
  👉 **過去の情報を全部まとめて持ち歩く**イメージです。
* つまり、

  * ResNet：必要な情報だけ加算
  * DenseNet：過去の特徴を全部保存

## 定義・仕組み

* DenseNetでは、

  * 各層の出力を
  * 次の層に**連結（concatenate）**して入力します。

* 特徴：

  * 勾配消失の緩和
  * 特徴再利用が進む
  * パラメータ効率が高い

## いつ使う？（得意・不得意）

### 使われる場面（得意）

* 高精度画像分類
* 特徴再利用を重視した学習

### 注意点・不得意

* メモリ使用量が増える
* 実装がやや複雑

## G検定ひっかけポイント

* よくある誤り表現：

  * ❌ 「出力を加算する」
  * ❌ 「残差接続と同じ仕組み」

* 正しい理解：

  * **連結（concatenate）**
  * **高密度接続**

* 判断基準：

  * **足し算 → ResNet**
  * **結合 → DenseNet**

## まとめ（試験直前用）

* DenseNet＝全層と接続
* 特徴を結合して伝播
* 勾配消失に強い
* パラメータ効率が良い
* ResNetとの違いは「加算 vs 結合」