問題 No.45
画像認識用のCNNにおいて、画像内に写っている識別対象（物体）の大きさが画像ごとに異なると、固定された1つのフィルターサイズ（例えば3x3のみ）では、小さな特徴を見落としたり、逆に広域な文脈を捉えきれなかったりして認識精度が低下する問題がある。サイズが異なる複数の畳み込み層（1x1、3x3、5x5）やプーリング層を1つのブロック内に並列に配置し、それぞれの出力を後からチャンネル方向に結合して次の層へと送る、GoogLeNetの核となるNW構造はどれか。
【正解の解説】
Inceptionモジュール
Inceptionモジュールは、異なるサイズのフィルターを並列に配置する構造です。これにより、小さな物体から大きな物体まで、一度の層で効率よく捉えることができます。
スポンサーリンク
【その他の選択肢の解説】
逆畳み込み層(Deconvolution)
Deconvolutionは、畳み込み操作を逆に行い、解像度を復元する処理のことです。画像サイズを大きくする際に使われますが、マルチスケールの特徴抽出を行う手法ではありません。
Depthwise Convolution
Depthwise Convolutionは、チャンネルごとに分けて畳み込みを行う計算効率化技術です。計算量を減らす目的で使われますが、複数のサイズを同時に捉える構造とは異なります。
Global Average Pooling
Global Average Poolingは、画像全体の特徴を平均化して1つの数値にまとめる処理です。全結合層の代わりとして、ネットワークのパラメータを削減するために用いられます。