⑤ ディープラーニングの応用例 ／ 26. 画像認識
DenseNetとは
DenseNetとは、各層の出力を後続すべての層の入力に接続する密集接続を採用したCNNです。勾配消失を防ぎつつ、パラメータ効率を向上させました。
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
すべての層を直接つなぐことで、情報と勾配が流れやすくしたCNNです。
ResNetとの違い
| モデル | 接続のしかた |
|---|---|
| ResNet | 数層を飛び越えて足し合わせる |
| DenseNet | 後続すべての層へ連結（concat）する |
足すか、つなげるかが両者の決定的な違いです。
なぜパラメータ効率が良いのか
前の層の特徴をそのまま受け取れるため、各層は少ないチャンネル数で済みます。同じ特徴を何度も作り直す必要がありません。
また勾配が各層へ直接届くので、勾配消失問題も起きにくくなります。
連結ゆえの弱点
すべての層を連結するため、チャンネル数が層を追うごとに増え続けます。その結果メモリ消費が大きくなりがちです。
パラメータ数は少なくても実行時のメモリは重いという点は、実装上の注意点として知られています。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| DenseNet | 後続すべての層へ連結（concat） |
| ResNet | 数層を飛び越えて加算 |
🎯 G検定での押さえどころ
- 各層の出力を後続すべての層へ接続する
- ResNetは加算、DenseNetは連結
- パラメータ効率が良く勾配消失にも強い
⚠️ よくある誤りの選択肢
- 「DenseNetは特徴マップを足し合わせて接続する」→ 誤り。連結します（足すのはResNet）
📘 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「ResNet・WideResNet」（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。