グローバルアベレージプーリング（Global Average Pooling）は重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network cnn

G検定トップ ＞ グローバルアベレージプーリング（Global Average Pooling）

まず結論

  • GAPは全結合層の代わりに使われるプーリング手法
  • 特徴マップと出力クラスの対応関係を保てる
  • パラメータ数削減＋解釈性向上 が目的

直感的な説明

グローバルアベレージプーリングは、

「この特徴マップは、どれくらい強く出ているか？」を1つの値で表す

仕組みです。

通常のCNNでは最後に 全結合層（FC） を使いますが、
GAPでは

  • 特徴マップごとに
  • 画素全体の平均 を取って
  • そのまま出力に使う

というシンプルな方法を取ります。

定義・仕組み

GAPとは？

  • 各特徴マップについて
    空間方向（縦×横）に平均を取る
  • 出力は
    「特徴マップ数＝クラス数」 になることが多い

全結合層との違い

項目 全結合層 GAP
パラメータ数 多い 少ない
過学習 起きやすい 起きにくい
解釈性 低い 高い
特徴と出力の対応 弱い 強い

なぜ解釈性が上がる？

  • 各クラスが
    どの特徴マップに対応しているか明確
  • Class Activation Map（CAM）と相性が良い

👉
「このクラスは、この特徴が効いている」
と説明しやすくなります。

いつ使う？（得意・不得意）

得意なこと

  • 画像分類タスク
  • モデルを軽量化したい場合
  • 説明性（XAI）を重視する場合

（例：ResNet, GoogLeNet など）

注意点・不得意

  • 空間的な細かい位置情報は使わない
  • セグメンテーション用途には不向き

G検定ひっかけポイント

❌ よくある誤解

  • ❌ 「最大値プーリングと同じ」
  • ❌ 「単なるダウンサンプリング層」
  • ❌ 「全結合層と併用する」

✅ 正しい理解

  • ✅ 全結合層の代替
  • ✅ 平均を取るのは全体
  • ✅ 特徴マップと出力の対応が強い

試験での即断キーワード

  • 「全結合層の代わり」
  • 「解釈性向上」
  • 「パラメータ削減」

👉 グローバルアベレージプーリング

他のプーリングとの違い

手法 目的
Max Pooling 局所特徴抽出
Average Pooling 局所平均
Global Average Pooling 出力層用

まとめ（試験直前用）

  • GAP = 全体平均
  • 全結合層の代替
  • 解釈性UP・軽量化
  • CAMと相性が良い

👉 次は
CAM / Grad-CAM
との関係がよく問われます。

🔗 関連記事

🏠 G検トップに戻る