⑤ ディープラーニングの応用例 ／ 33. モデルの解釈性
CAMとは
CAMとは、CNNが画像中のどの領域に注目して分類したかを、特徴マップの重み付き和としてヒートマップ化する可視化手法です。GAP層を使用したモデルでしか使えないという制約があります。
この用語はG検定シラバスの「33. モデルの解釈性」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
CNNが画像のどこを見て判断したかを、色の濃淡で示す手法です。
仕組み
GAPを使ったモデルでは、各特徴マップがどのクラスにどれだけ寄与したかが重みとして明確に分かります。
その重みで特徴マップを足し合わせれば、「どこが判断に効いたか」のヒートマップが得られます。
制約と後継
この仕組みはGAP層があることが前提です。全結合層を使うモデル（VGGなど）には適用できません。
この制約を外したのがGrad-CAMです。「CAM＝GAPが必要、Grad-CAM＝どんな構造でもOK」という対比で覚えるのが確実です。
注目箇所が正しいとは限らない
ヒートマップが示すのは「モデルが見ていた場所」であり、「正しい根拠」ではありません。
背景の特徴で判断していたことが可視化で発覚する例もあり、モデルの欠陥を見つける手段としても有用です。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| CAM | GAP層が必要。適用できるモデルが限られる |
| Grad-CAM | 勾配を使う。様々な構造に適用できる |
🎯 G検定での押さえどころ
- 特徴マップの重み付き和でヒートマップ化
- GAP層が必要という制約がある
- Grad-CAM（制約なし）との対比
⚠️ よくある誤りの選択肢
- 「CAMはどんなCNN構造にも適用できる」→ 誤り。GAP層が必要です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「判断根拠の可視化」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。