【G検定対策】畳み込み層を完全攻略！計算公式の覚え方と重要用語10選

2026年7月25日 2026年7月25日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

【重要度】★★★

「G検定の画像認識で出てくる『畳み込み層』って何をしているのかさっぱり分からない……」
「ストライドとかパディングとか、カタカナの専門用語が多すぎて覚えられない！」
「出力サイズの計算問題、公式が複雑でテスト本番で解けるか不安……」

画像認識の主役である「畳み込みニューラルネットワーク（CNN）」。
その心臓部である「畳み込み層」は、多くの受験生が数式やカタカナ語に圧倒されて挫折しやすい難所です。

しかし、安心してください！
畳み込み層の本質は、日常の「あるおなじみの行動」にそっくりです。
そのイメージさえつかんでしまえば、複雑に見える計算問題もパズルのようにスラスラ解けるようになります。

この記事では、G検定における10個の重要キーワードを網羅し、試験でそのまま得点できる知識をどこよりも分かりやすく解説します！

1. 畳み込み層とは？分かりやすい例え話で解説

「全結合層」がすべての情報をフラットにガッチャンコする仕組みであるのに対し、畳み込み層は「画像の位置関係（縦・横のつながり）を保ったまま、特徴をあぶり出す層」です。

これを直感的に理解するために、日常の例え話として「虫眼鏡（ルーペ）を使った『ウォーリーを探せ！』」を思い浮かべてみてください。

大きなイラストからウォーリー（特定の特徴）を探すとき、私たちは全体をぼんやり見るのではなく、小さな虫眼鏡を左上から右下へと少しずつスライドさせながら、部分的に細かくチェックしていきますよね。

入力画像：ウォーリーを探す大きなイラスト
フィルタ（カーネル）：ウォーリーの服の「赤白のボーダー柄」だけを通す特殊な虫眼鏡
畳み込み操作：虫眼鏡を少しずつずらしながら、ボーダー柄がある場所を探す作業

虫眼鏡をスライドさせていくと、「ここに赤白のボーダー柄があったぞ！」という場所が分かります。
このように、画像の中から「エッジ（輪郭）」や「特定の模様」といった局所的な特徴をあぶり出す職人のような役割を持つのが、畳み込み層です。

データの一列化（平坦化）を行わないため、「画像の右上に何がある、左下に何がある」という位置関係（空間情報）を壊さずに処理できるのが最大の強みです。

2. 試験に出る！最重要キーワードの解説と覚え方

G検定の重要キーワードを、試験で問われるポイントに絞って解説します。

畳み込みニューラルネットワーク (CNN)

画像認識の分野で圧倒的な成果を上げているニューラルネットワークの構造です。
主に「畳み込み層」と「プーリング層」を何度も積み重ね、最後に「全結合層」をつなぐことで、画像に何が写っているかを高精度に判別します。

畳み込み操作

入力画像に対して「フィルタ（カーネル）」を重ね合わせ、対応する位置の数値を掛け算し、それらをすべて足し合わせる（積和演算）という一連の計算プロセスのことです。
この操作によって、特定の「特徴」が強調された新しいデータが作られます。

フィルタ / カーネル

画像の上をスライドさせる「虫眼鏡のレンズ」に相当する小さな行列（例： $3 \times 3$ や $5 \times 5$ のマス目）のことです。
縦の線を検出するフィルタ、横の線を検出するフィルタなど、目的によって中に書かれている数値（重み）が異なります。
AIの学習が進むと、このフィルタの数値が「特徴をきれいにあぶり出せる値」へと自動で更新されていきます。

ストライド (Stride)

フィルタを「何マスずつ動かすか」という移動のステップ数（歩幅）のことです。
* ストライドが「1」なら、1マスずつ細かく動かします。
* ストライドが「2」なら、2マスずつ動かします。
* 試験のポイント：ストライドを大きくするほど、チェックの回数が減るため、出力されるデータのサイズは小さくなります。

パディング (Padding)

入力画像の周りを「0」などの決まった数値でぐるりと囲む（余白を作る）処理のことです。
目的は主に2つあります。
1. 端っこの情報も大切にするため：パディングをしないと、画像の端にあるピクセルはフィルタが1回しか通りませんが、中央のピクセルは何度も通ります。端の情報も平等にチェックするために余白を作ります。
2. 画像サイズが縮むのを防ぐため：畳み込みを繰り返すと画像はどんどん小さくなってしまいます。それを防ぐために、あらかじめ外側を大きくしておきます。

特徴マップ (Feature Map)

畳み込み操作によってあぶり出された、特徴の判定結果が書かれた新しい画像（データ）のことです。
「ここに縦の線があった」「ここに丸い模様があった」という情報が数値の強弱で記録されています。

【超頻出】出力サイズの計算方法

G検定でほぼ確実に1問は出題されるのが、「畳み込み後の特徴マップのサイズを求める計算問題」です。
以下の公式を絶対に覚えてください。

$$出力サイズ = \frac{入力サイズ - フィルタサイズ + 2 \times パディング}{ストライド} + 1$$

💡 言葉での覚え方
「（元サイズ－虫眼鏡のサイズ＋余白の２倍）÷ 歩幅＋ 1」

【例題にチャレンジ！】
* 入力画像： $32 \times 32$
* フィルタサイズ： $5 \times 5$
* パディング： 2
* ストライド： 1
このときの出力サイズは？

一辺の長さだけに着目して公式に当てはめます。

$$\text{出力サイズ} = \frac{32 - 5 + (2 \times 2)}{1} + 1 = \frac{31}{1} + 1 = 31 + 1 = 32$$

答えは $32 \times 32$ となります。
パズル感覚で解けるように、何度か練習しておきましょう！

🔥 発展的な畳み込み手法（高得点を狙うなら必須！）

近年のG検定では、標準的な畳み込みだけでなく、計算効率や視野を広げるための「応用技」もよく出題されます。

Dilated Convolution / Atrous Convolution

フィルタのマス目の間に「隙間（穴）」をあけて、通常よりも広い範囲（広い視野）を一度にチェックする畳み込み手法です。
* メリット：パラメータ数（計算量）を増やさずに、受容野（一度に見られる範囲）を広げることができます。セマンティックセグメンテーション（画像の画素ごとの分類）などで大活躍します。

Depthwise Separable Convolution

畳み込みの計算を「究極にサボる（軽量化する）」ための画期的な手法です。
通常の畳み込みを以下の2ステップに分解します。
1. Depthwise（深さ方向）畳み込み：画像のRGB（赤・緑・青）などのチャンネルごとに、バラバラに2次元の畳み込みを行う。
2. Pointwise（点方向）畳み込み：チャンネルごとの結果を、 $1 \times 1$ の小さなフィルタでガッチャンコする。

* メリット：表現力をほとんど落とさずに、計算量とパラメータ数を劇的に（約1/9などに）削減できます。
スマホなどの容量の小さい端末でAIを動かす技術（MobileNetなど）のベースとなっています。

リンク

3. 【要点整理】全結合層と畳み込み層の違い

知識の整理として、「全結合層」と「畳み込み層」をパラメータ数の観点から比較してみましょう。

比較項目	全結合層	畳み込み層
データの扱い方	1列にバラバラにする（平坦化）	縦横の構造（空間情報）をキープ
結合の性質	すべてとつながる（Fully Connected）	局所的にしかつながらない（局所受容野）
重み（パラメータ）	すべての接続に固有の重みがある	同じフィルタを画像全体で共有（使い回し）する
パラメータ数の傾向	爆発的に多くなりやすい（過学習の主因）	非常にコンパクトに抑えられる

畳み込み層は、同じフィルタをスライドさせて「使い回す」ため、パラメータ数が少なくて済む（＝効率が良い）という特徴をしっかりと押さえておきましょう。

4. G検定の「ひっかけ問題パターン」を総チェック！

試験本番で惑わされないために、よくある「バツ選択肢」のパターンを見極められるようにしましょう。

パターン①：パディングの計算で「2倍」し忘れる

* ❌ よくある間違い（バツ選択肢の例）
「一辺が10マスの画像に対し、サイズ3のフィルタ、パディング1、ストライド1で畳み込みを行った場合、出力サイズは8マスとなる。」
* 💡 解説と見極め方
公式のパディング部分をそのまま「1」として計算してしまうと、 $(10 - 3 + 1) / 1 + 1 = 9$ や、足し忘れて 8 にしてしまいがちです。
パディングは画像の「左右（または上下）」の両側に余白を作るため、必ず「2倍」して足します。
正しくは、 $(10 - 3 + 2 \times 1) / 1 + 1 = 9 + 1 = 10$ マスです。
引っかからないように注意してください。

パターン②：発展的な畳み込みの定義すり替え

* ❌ よくある間違い（バツ選択肢の例）
「Dilated Convolutionは、計算量を削減するために、チャンネルごとの畳み込みと $1 \times 1$ の畳み込みに処理を分解する手法である。」
* 💡 解説と見極め方
説明文の内容は「Depthwise Separable Convolution」のものです。
Dilated Convolutionは「フィルタの要素間に隙間を空けて視野を広げる手法」です。
名前と特徴がごっちゃにならないよう、表や単語のイメージで区別しておきましょう。

🔥 まとめ：畳み込み層は「空間を愛する職人」！

畳み込み層の重要ポイントをまとめます。

1. 畳み込み層は、画像の位置関係（空間情報）を壊さずに特徴をあぶり出す。
2. 「フィルタ」を「ストライド（歩幅）」ごとに動かし、「パディング（余白）」で端を保護する。
3. 出力サイズは「（元サイズ－虫眼鏡のサイズ＋余白の２倍）÷ 歩幅＋ 1」で一発計算。
4. 計算量を減らす Depthwise Separable や、視野を広げる Dilated などの応用技もある。

計算公式さえマスターしてしまえば、畳み込み層の問題は確実に「得点源」になります。
パズルを解くような感覚で、ぜひ本番でも落ち着いて計算してくださいね！

【大人気💡】過去問風ミニテスト＆関連テキスト

「畳み込み層」はバッチリ理解できましたか？
知識を確実に定着させて一発合格を引き寄せるために、今のあなたに最適なステップを選んで進んでみましょう！

合格率をグッと上げる！「過去問風ミニテスト」に挑戦

解説を読んだら、さっそく問題に挑戦して実力を確かめてみましょう！
ボタンをクリックするとミニテストのページが開きます。

📝 過去問風ミニテストに挑戦する

🚀 最短ルートで合格を目指す！「厳選参考書」参考書をチョイス

G検定合格へのロードマップは、この一冊を机に置くことから始まります。
まずは目次だけでもチェックしてみてください。

【初心者に優しい】
G検定おすすめ参考書を見てみる

知識を『覚えたつもり』で終わらせない。
この1冊を解き終える頃には、合格ライン突破に確実に近づきます。

【合格者も愛用】
本番を想定した問題集で実践力を鍛える