問題 No.3605
ディープラーニングを用いた画像認識技術とその応用に関する記述として、不適切なものを1つ選べ。
【正解の解説】
畳み込みニューラルネットワーク（CNN）を用いた画像認識モデルでは、入力画像の解像度をどれだけ高めても計算コストは一切増加せず、常に一定の処理時間で推論を行うことができる。
画像が精細になるほど処理するピクセル数が増えるため、人間の目で言えば、細密画を見るのに虫眼鏡で隅々まで時間をかけて調べるようなもので、計算コストや処理時間は必ず増加します。したがって、解像度を上げても常に一定の時間で処理できるという記述は明確な誤りであり、G検定ではスケーラビリティや計算量の基本原則を問う定番の引っかけ問題としてよく出題されます。
スポンサーリンク
【その他の選択肢の解説】
物体検出タスクにおいては、画像内のオブジェクトの位置を示すバウンディングボックスの座標と、そのクラス分類を同時に予測することが求められる。
単に画像に何が写っているかを分類するだけでなく、「どこに」あるかを四角い枠（バウンディングボックス）で囲んで示す必要があります。これは自動運転などで歩行者の位置と種類を同時に特定する際に必須の技術であり、セマンティックセグメンテーションとの混同を誘う出題者の罠に注意しましょう。
セマンティックセグメンテーションでは、画像中のすべてのピクセルに対して意味的なカテゴリラベルを割り当てて領域ごとに分類する。
画像全体を大まかに分類するのではなく、写真の1ピクセル単位に「これは空」「これは道路」と色分けするように分類する高精度な技術です。人間が写真の塗絵をするように細部まで領域を特定する処理であり、大まかな領域検出と混同させないための重要な選択肢となっています。
転移学習やファインチューニングを行う際は、大規模な一般画像データセットで事前学習したモデルの重みを利用して効率的に学習を進める。
ゼロからAIを育てるのは膨大な時間とデータが必要ですが、すでに大量の写真を見て物の特徴を覚えた先輩AIの脳みそ（重み）をベースに使うことで、効率よく学習を進められます。これは新人が一から学ぶのではなく、ベテランのノウハウを引き継いで仕事の立ち上がりを早くするようなもので、実務でも頻出の効率化手法です。