Skip to the content.

最終更新日:2026年10月19日

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

© 2024-2026 stemtazoo. All rights reserved.