【正解の解説】
ダウンサンプリングによる解像度の低下を防ぐため、畳み込み層に全結合層を直接接続して大域的な文脈情報を再構築する。
全結合層を直接接続すると画像の空間的な位置情報が完全に失われてしまうため、ピクセル単位で正確に色塗りをするセマンティックセグメンテーションでは致命的な欠点になります。DeepLabでは位置情報を保つためにアトラス畳み込みなどが使われます。これはまるで、パズルの細かいピースの絵柄を見ずに、完成品のイメージだけで形を合わせようとするようなもので、正確な境界線を描くことができなくなってしまいます。
【その他の選択肢の解説】
特徴マップの空間解像度を維持したまま密な予測を行うため、フィルタのサンプリング間隔を広げたアトラス畳み込みを採用する。
通常の畳み込みやプーリングを繰り返すと画像が小さくなり細かい位置情報が消えてしまいますが、アトラス畳み込みはフィルタの隙間を空けて広範囲を見ることで解像度を落とさずに特徴を捉えます。これは、虫眼鏡の焦点を変えずにレンズを少し広げて周囲の景色を同時に見渡すような工夫であり、DeepLabが細かい部分まで正確に認識できる大きな理由となっています。
異なる受容野を持つ複数の畳み込みを並列に適用することで、マルチスケールの物体や背景情報を効率よく捉える。
画像の中には小さなリンゴも大きな車も混ざっています。これらを同時に認識するため、様々な大きさの網（受容野）を同時に重ねて見るアプローチが使われます。これは、遠くの景色を見る望遠鏡と近くを見る虫眼鏡を同時に覗き込むようなもので、大小さまざまな物体が入り交じる複雑な画像でも正確にセグメンテーションを行えるようにする技術です。
物体境界の輪郭を正確に復元するため、畳み込み層の出力に対して条件付き確率場を用いた後処理を組み込む。
ニューラルネットワークの出力は少しぼやけてしまうことが多いため、ピクセル同士の色の類似性や位置関係を考慮して境界線をパキッと整える確率モデルを後処理として組み込んでいます。これは、絵の具で大まかに色を塗ったあとに、細いペンで輪郭線を綺麗になぞって形を整える仕上げの作業に例えられ、より精度の高いセグメンテーション結果を実現するために重要な役割を果たします。