⑤ ディープラーニングの応用例 ／ 26. 画像認識
DeepLabとは
DeepLabとは、空洞畳み込み（Atrous Convolution）を用いて、解像度を維持しつつ精度の高いセマンティックセグメンテーションを行うモデルです。
この用語はG検定シラバスの「26. 画像認識」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
フィルタに隙間を空ける畳み込みで、解像度を落とさず広い範囲を見るモデルです。
セグメンテーション特有の難しさ
セグメンテーションでは「広い文脈を見ること」と「画素単位の正確さ」の両立が必要です。
従来はプーリングで受容野を広げていましたが、その代償として解像度が落ち、境界がぼやけていました。
空洞畳み込みによる解決
Atrous（Dilated）Convolutionは、フィルタの要素をとびとびに配置します。パラメータも解像度も変えずに受容野だけを広げられます。
まさにセグメンテーションが求めていた性質であり、DeepLabはこれを中核に据えて高い精度を達成しました。複数の間隔を並列に使う工夫も加えられています。
バージョンの発展
DeepLabにはv1〜v3+があり、複数の間隔を並列に使う仕組みやデコーダの追加などが段階的に加えられました。
いずれも解像度を保ちつつ文脈を捉えるという一貫した方針にもとづいています。
🎯 G検定での押さえどころ
- 空洞畳み込み（Atrous Convolution）を用いる
- 解像度を維持したまま受容野を広げる
- セグメンテーションの精度向上に有効
⚠️ よくある誤りの選択肢
- 「DeepLabはプーリングを多用して受容野を広げる」→ 誤り。空洞畳み込みを使います
📘 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「FCN・U-Net」（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。