---
title: "SegNet（セマンティックセグメンテーション）"
description: "SegNet（セマンティックセグメンテーション）について、G検定で問われる画像認識・CNN分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/segnet/"
section: "gk"
---

## まず結論

**SegNet は「セマンティックセグメンテーション向けのエンコーダ・デコーダ型 CNN」で、
エンコーダ側で行った最大値プーリングの“位置情報”を記憶し、
デコーダでのアップサンプリングに利用するのが最大の特徴です。**

この「プーリング位置を覚えている」という一点が、G検定で最も重要な識別ポイントです。

---

## 直感的な説明

SegNet は、

* 画像を **だんだん小さくして重要な特徴を抜き出す（エンコーダ）**
* それを **元の大きさに戻しながら、画素ごとのクラスを決める（デコーダ）**

という構造をしています。

ここでのポイントは、

👉 **「小さくするときに、どこが一番強かったか（最大値）」をメモしておく**

という点です。

そのメモを使って元に戻すことで、

* 物体の境界がぼやけにくい
* 画素単位の分類精度が高くなる

というメリットが生まれます。

---

## 定義・仕組み

SegNet は以下の特徴を持つネットワークです。

* **セマンティックセグメンテーション**に利用される
* **エンコーダ・デコーダ構造**を持つ
* エンコーダは CNN + **最大値プーリング**
* **最大値プーリング時の位置（インデックス）を保存**
* デコーダではその位置情報を使ってアップサンプリング

重要なのは、

❌ 学習済みの重みで逆畳み込みするのではない
⭕ プーリング位置を使って「戻す場所」を決める

という点です。

---

## いつ使う？（得意・不得意）

### 得意なこと

* 道路・建物・人などを **画素ごとに分類**したいタスク
* 物体の輪郭をできるだけ保ちたい場合
* メモリ効率を意識したセグメンテーション

### 不得意なこと

* インスタンスセグメンテーション（個体識別）
* Attention や Transformer を用いた高表現力モデル

---

## G検定ひっかけポイント

ここは **超重要** です。

### ① SENet と混同する

* **SENet**：チャネル方向の注意（重み付け）
* **SegNet**：エンコーダ・デコーダ + プーリング位置の記憶

👉 **「注意」「チャネル重み」→ SegNet ではない**

---

### ② AlexNet / GoogLeNet と混同する

* AlexNet / GoogLeNet：**画像分類**が主目的
* SegNet：**セマンティックセグメンテーション**

👉 「エンコーダとデコーダが対」
👉 「画素単位の出力」

が書かれていたら SegNet を疑う

---

### ③ U-Net との違いを聞かれる可能性

* **SegNet**：プーリング位置を保存して利用
* **U-Net**：特徴マップをスキップ接続

G検定では

👉 **「最大値プーリングの位置を記憶」＝ SegNet**

で即断できれば OK です。

---

## まとめ（試験直前用）

* SegNet は **セマンティックセグメンテーション用 CNN**
* **エンコーダ・デコーダ構造**を持つ
* **最大値プーリングの位置を記憶**するのが最大の特徴
* 注意機構（SENet）や分類モデル（AlexNet, GoogLeNet）とは別物

👉 **「プーリング位置を覚えて戻す」＝ SegNet**