問題 No.2230
畳み込みニューラルネットワーク（CNN）において、チャンネル間の相関関係を明示的にモデル化するために、大域平均プーリングと全結合層を用いて各チャンネルの重要度（重み）を動的に再スケーリングする機構を持つアーキテクチャはどれか。
【正解の解説】
Squeeze-and-Excitation Networks
これは人間の耳が「今は人の声に集中し、周囲の雑音の音量を下げる」ように、画像の特徴マップのうち重要なチャンネルだけを強調し、不要なチャンネルのボリュームを自動で絞るミキサーのような役割を果たします。全結合層で全体を見渡して各チャンネルの重みを計算する点が最大の特徴です。
スポンサーリンク
【その他の選択肢の解説】
Residual Learning Networks
チャンネルの重要度を動的に調整するSqueeze-and-Excitationとは異なり、こちらは層が深くなっても学習がスムーズに進むように情報の「バイパス通路」を作る仕組みです。名前が似ているためチャンネル方向の重み付けと混同しやすいですが、こちらはネットワークの深層化を可能にする全く別のアーキテクチャです。
Spatial Attention Mechanisms
チャンネルごとの重要度を見るSqueeze-and-Excitationとはアプローチが異なり、こちらは画像全体の平面的な広がりの中で、例えば「猫の顔の部分だけに注目する」といった空間的な重みづけを行います。空間方向とチャンネル方向のどちらに注目しているかという、アテンションをかける軸の違いを正確に理解しておくことが重要です。
Deep Residual Bottleneck Layers
ネットワークの効率化を図る点では関連しますが、大域平均プーリングを用いてチャンネルごとの重みを動的に再計算するSqueeze-and-Excitationとは目的も構造も異なります。出題者は「高度なCNNの技術用語」として並べて受験生を迷わせようとするため、各技術が情報のどこに焦点を当てているかを整理して覚える必要があります。