gk cheatsheet cnn
G検定トップ
＞ セマンティックセグメンテーション系まとめ（FCN / U-Net / SegNet）
まず結論（この1ページで即断する）
G検定でセマンティックセグメンテーションが出たら、 見るべきポイントはたった3つです。
- 何をデコーダに渡しているか？
- 境界情報をどう保っているか？
- FCN / U-Net / SegNet のどれか？
このページは、選択肢を最短で切るためのチートシートです。
直感的な全体像
| モデル | 一言で言うと |
|---|---|
| FCN | 全結合層を捨てて、畳み込みだけで画素分類 |
| U-Net | 特徴マップをショートカットで渡す |
| SegNet | 最大値プーリングの「位置」を覚えて戻す |
定義・仕組み（最小限）
FCN（Fully Convolutional Network）
- 画像分類 CNN から 全結合層を除去
- 出力をマップとして返すことで画素単位分類
- アップサンプリングで元サイズに戻す
👉 「FCN = 全部畳み込み」
U-Net
- エンコーダ・デコーダ構造
- エンコーダの特徴マップをスキップ接続で結合
- 位置情報を強く保持できる
👉 「特徴マップをそのまま渡す」
SegNet
- エンコーダ・デコーダ構造
- 最大値プーリング時の位置（インデックス）を保存
- デコーダでその位置を使ってアップサンプリング
👉 「プーリング位置を記憶」
いつ使う？（G検定視点）
| 観点 | FCN | U-Net | SegNet |
|---|---|---|---|
| セマンティックセグメンテーション | ○ | ◎ | ◎ |
| Encoder-Decoder 構造 | △ | ○ | ○ |
| 境界の保持 | △ | ◎ | ○ |
| G検定の出題頻度 | 高 | 高 | 高 |
G検定ひっかけ即断表（最重要）
問題文にこれが出たら即決
| キーワード | 正解 |
|---|---|
| 全結合層を使わない | FCN |
| 画素ごとの分類 | FCN / U-Net / SegNet（他条件を見る） |
| スキップ接続 | U-Net |
| 特徴マップを結合 | U-Net |
| 最大値プーリングの位置を記憶 | SegNet |
| 境界がぼやけにくい工夫 | U-Net / SegNet |
なぜ間違えやすいか（超重要）
- Encoder-Decoder という言葉だけでは 判別不能
- 「FCN」という名前が Fully Connected と誤解されやすい
- SegNet と U-Net は どちらもセグメンテーションで構造が似ている
👉 違いは「何をデコーダに渡すか」だけを見る
まとめ（試験直前用・暗記版）
- FCN：全結合層なし、全部畳み込み
- U-Net：特徴マップをスキップ接続
- SegNet：最大値プーリングの位置を記憶
👉 迷ったら
位置？ → SegNet 特徴？ → U-Net 全部畳み込み？ → FCN
🔗 関連記事
- NISC・IPA・JPCERT/CC・CSIRTの違いまとめ【一発で切れるチートシート】
- データ・AI利活用における留意事項とは？【DS検定リテラシー】
- データを読む・説明する・扱うとは？データリテラシー実践ガイド【DS検定】
- 数理・アルゴリズム・データ活用基礎（オプション）【DS検定対応】
- ④ Assistant Data Scientist（見習い）に求められるビジネス力
🏠 G検トップに戻る