DeepLab vs U-Net vs Mask R-CNN（役割比較）G検定対策は頻出論点を整理して得点力につなげる学習テーマです。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 cnn cheatsheet

G検定トップ ＞ DeepLab vs U-Net vs Mask R-CNN（役割比較）G検定対策

まず結論

  • DeepLab・U-Net・Mask R-CNN は「画像をどう分けるか」の役割が異なるモデルです。
  • G検定では、セマンティック／インスタンスの違いを理解しているかが問われます。

直感的な説明

  • 画像を色分けすると考えると分かりやすいです。

  • DeepLab / U-Net

    • 「これは道路」「これは人」など
    • 同じ種類はまとめて塗る

  • Mask R-CNN

    • 「この人A」「この人B」
    • 同じ種類でも個体ごとに分ける

👉 個体を区別するかどうかが最大の違いです。

定義・仕組み

DeepLab

  • セマンティックセグメンテーションモデル
  • CNNベース
  • Atrous Convolution / ASPP が特徴

U-Net

  • セマンティックセグメンテーションモデル
  • Encoder–Decoder 構造
  • 医療画像で特に有名

Mask R-CNN

  • インスタンスセグメンテーションモデル
  • Faster R-CNN を拡張
  • 検出＋マスク推定を同時に行う

いつ使う？（得意・不得意）

モデル 得意な用途 不得意・注意点
DeepLab 道路・空・建物など領域理解 個体の区別は不可
U-Net 医療画像（臓器・腫瘍） 個体識別には不向き
Mask R-CNN 人・車など個体検出 計算コストが高い

G検定ひっかけポイント

  • ❌ DeepLabで人Aと人Bを区別できる → 誤り
  • ❌ U-Netは物体検出モデル → 誤り
  • ⭕ Mask R-CNNは個体ごとにマスクを出力 → 正しい

👉 選択肢で

  • 「ピクセル単位でクラス分類」→ セマンティック系
  • 「個体ごとに領域を分ける」→ Mask R-CNN

まとめ（試験直前用）

  • DeepLab / U-Net：セマンティックセグメンテーション
  • Mask R-CNN：インスタンスセグメンテーション
  • 個体を区別するかが判断基準
  • 医療画像＝U-Net、一般画像＝DeepLab が頻出
  • 個体検出＋マスク＝Mask R-CNN

🔗 関連記事

🏠 G検トップに戻る