⑤ ディープラーニングの応用例 ／ 26. 画像認識
EfficientNetとは
EfficientNetとは、ネットワークの深さ・幅・解像度をバランスよくスケーリングすることで、計算効率と精度を両立させたモデルです。
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
深さ・幅・入力解像度を同じ比率で大きくすることで、効率よく性能を上げたモデルです。
3つの軸を同時に動かす
モデルを大きくする方法は3つあります。
- 深さ：層を増やす（ResNetの方向）
- 幅：チャンネルを増やす（Wide ResNetの方向）
- 解像度：入力画像を大きくする
従来はどれか1つを増やしていましたが、EfficientNetは3つを一定の比率で同時に拡大する方法（複合スケーリング）を示しました。
なぜバランスが重要なのか
1つだけ増やしても効果はすぐ頭打ちになります。解像度を上げれば広い受容野が必要になり深さが要る、深くすれば表現力を活かす幅が要る——というように3つは互いに関係しています。
同じ計算量なら、バランスを取ったほうが高い精度が出せることを実験的に示した点がこのモデルの貢献です。
探索と組み合わせる
EfficientNetの基本構造自体もNASによって探索されています。構造の探索とスケーリングの両方を組み合わせた設計です。
人が試行錯誤する部分を減らしていく流れの中で、効率という指標を明確に置いた点がこのモデルの意義です。
🎯 G検定での押さえどころ
- 深さ・幅・解像度を同時にスケーリング
- 複合スケーリングという考え方
- 計算効率と精度を両立させた
⚠️ よくある誤りの選択肢
- 「EfficientNetは深さだけを大きくするモデルである」→ 誤り。3つの軸を同時に拡大します
📘 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「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。