--- title: "FCN（Fully Convolutional Network）" description: "FCNは、全結合層を畳み込み層に置き換え、画像全体に1ラベルを付けるのではなく、各画素が属するクラスを推定するセマンティックセグメンテーションモデルです。ダウンサンプリングした特徴マップをアップサンプリングして位置を復元する流れを押さえ、物体検出やインスタンス分割との出力の違いを判断します。" canonical_url: "https://stemtazoo.github.io/gk/fcn/" section: "gk" --- ## まず結論 **FCN（Fully Convolutional Network）は、画像分類用の CNN を「全結合層なし（畳み込みだけ）」に作り替えて、 画素ごとの分類（セマンティックセグメンテーション）を可能にした基本モデルです。** U-Net や SegNet のような後継モデルが出てくる前の、 **セグメンテーション CNN の“出発点”**として押さえるのが G検定では重要です。 --- ## 直感的な説明 普通の画像分類 CNN は、最後に * 特徴をまとめる（小さくする） * 最後に **全結合層（FC層）**で 1 枚のラベルを出す という流れです。 でもセマンティックセグメンテーションは、 👉 **1枚のラベルじゃなくて、画素ごとにラベルが欲しい** ので、最後の「全結合層」が邪魔になります。 FCN はここを発想転換して、 * 全結合層をやめる（＝全部を畳み込みにする） * 低解像度になった特徴マップを **アップサンプリング**して元サイズに戻す ことで、画素単位の出力を実現します。 --- ## 定義・仕組み ### FCN とは * **Fully Convolutional（全て畳み込み）** * 全結合層を使わず、畳み込み層だけで構成する * 出力を **画像（マップ）として返す**ことで画素単位の分類ができる ### どうやって元の解像度に戻す？ 分類 CNN は途中でプーリングなどにより解像度が下がります。 FCN はそこから * **アップサンプリング** -（実装上は転置畳み込み/デコンボリューション等） で元のサイズへ戻します。 ### 追加の重要ポイント：スキップ接続（skip connection） FCN はアップサンプリングだけだと粗くなりやすいので、 途中の層の情報（より細かい解像度）を足し合わせる **スキップ接続** を使うことがあります。 ここが U-Net の「特徴マップを結合する」発想にもつながります。 --- ## いつ使う？（得意・不得意） ### 得意なこと * セマンティックセグメンテーションの基本形として理解しやすい * 既存の分類 CNN（VGG など）をベースに拡張しやすい ### 不得意なこと * 境界がぼやけやすい（低解像度→アップサンプリングの限界） * U-Net や SegNet のような「境界を強く保つ工夫」が弱め --- ## G検定ひっかけポイント ### ① 「FCN」＝ 全結合層（Fully Connected）と勘違い ここが最頻出の罠です。 * ❌ FCN = Fully Connected Network（全結合のネットワーク） * ⭕ FCN = **Fully Convolutional Network（全て畳み込み）** 👉 「FCN」という略語が、逆の意味に見えるのが罠。 G検定はここを狙ってきます。 --- ### ② 画像分類モデルとの違い * 画像分類：画像全体に 1 ラベル * FCN：画像（マップ）として出力 → 画素ごとにラベル 👉 「画素ごとの分類」「セマンティックセグメンテーション」 と書いてあれば FCN 系を疑う --- ### ③ U-Net / SegNet との関係 * **FCN**：セグメンテーション CNN の基本（出発点） * **U-Net**：特徴マップをスキップ接続で“結合”して精度改善 * **SegNet**：最大値プーリングの“位置”を記憶して境界を保つ 👉 同じ Encoder-Decoder っぽく見えても、 **「何を渡すか」**が違う --- ## まとめ（試験直前用） * FCN は **Fully Convolutional Network**（全結合層なし） * 画像分類 CNN を拡張して **画素ごとの分類**を可能にした基本モデル * 解像度を下げた特徴マップを **アップサンプリング**して元に戻す * 罠：FCN を Fully Connected と勘違いしない 👉 **「FCN = 全部畳み込み」**