最終更新日:2026年10月19日
gk cheatsheet cnn
まず結論
FCN・U-Net・SegNetは、いずれも画素ごとのクラスを予測するセマンティックセグメンテーションのモデルです。
このページでは3モデルの位置付けと、詳しく読む先を一覧にします。復元の情報経路を具体的に比べたい場合は、SegNetとU-Netの比較へ進めます。
モデルの見取り図
| モデル | 構造を見分ける主な着眼点 | 次に確かめる内容 |
|---|---|---|
| FCN | 画像分類CNNの全結合層を畳み込みへ置き換え、空間的な出力を得る | 画素予測とアップサンプリングの全体像 |
| U-Net | 対応するEncoderの特徴マップをDecoderへ結合する | 収縮・拡大経路とスキップ接続 |
| SegNet | Max Poolingの位置インデックスをDecoderで再利用する | 位置を記録して値を戻す具体例 |
表は基本構造の違いを示します。セグメンテーションにはこれら以外のモデルもあり、用途名だけでモデルを一意には決められません。
選択肢のどこを見る?
| 説明の手掛かり | 確認する先 |
|---|---|
| 全結合層を畳み込みに置き換える | FCN |
| Encoderの特徴マップを対応するDecoder段へ結合する | U-Net |
| Max Poolingの最大値の位置を保存する | SegNet |
| 画素ごとのクラスを出力する | 3モデルに共通。さらに構造を見る |
「skip connection」だけではU-Netと決まりません。FCNにも途中の特徴を融合する構成があります。何を、どこへ、どのように渡すかまで読みます。
G検定ひっかけポイント
- FCNのFはFullyです。Fully Connected Networkという意味ではありません。
- 「全結合層がない」だけでFCN固有のモデルと断定せず、分類CNNからの構造変更という説明と合わせて判断します。
- Encoder-Decoderという共通名だけではU-NetとSegNetを区別できません。
- 境界の精度や処理速度を、モデル名だけで固定順位にしません。
- 同じクラスの物体を個体別の領域に分ける話は、インスタンスセグメンテーションとの違いで確認します。
まとめ(試験直前用)
- FCN:全結合層を畳み込みへ置き換える
- U-Net:特徴マップを結合
- SegNet:プーリング位置を再利用
- 一覧で選び、処理の流れは各モデルの解説へ進む