【G検定対策】画像認識のモデル・タスク全28選を完全網羅！覚え方と過去問対策

2026年7月29日 2026年7月29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」分野は、アルファベット表記のモデル名や専門用語が大量に登場するため、苦手意識を持つ受験生が非常に多い難所です。
「AlexNetとVGGの違いが覚えられない…」「セマンティックとインスタンスセグメンテーションって何が違うの？」と頭を抱えていませんか？

ご安心ください！この記事では、G検定で出題される画像認識の全重要キーワードを、初心者でも直感的に理解できる「身近な例え話」を交えて分かりやすく解説します。
試験で狙われやすい「ひっかけパターン」もまとめているので、最後までしっかり読んで画像認識を得点源に変えていきましょう！

1. ディープラーニングによる画像認識とは？分かりやすい例え話で解説

画像認識とは、コンピュータに画像データを読み込ませ、そこに何が写っているのか、どこにあるのかを特定する技術のことです。
従来の画像処理では人間が手作業で「特徴（耳の形や色の変化など）」をプログラミングしていましたが、ディープラーニングの登場によって、AI自らが画像の特徴を自動的に学習できるようになりました。

画像認識の仕組みは、言ってみれば「超優秀な警備員さんの目」のようなものです。
モニターに映る映像を見て、ただ「人がいる」と気づくだけでなく、「だれがどこにいて、どんな体勢をしているか」まで瞬時に見分けるイメージです。

G検定では、AIが画像に対して「何をどこまで分析するか」というタスク（目的）の違いと、それを実現するために進化してきたモデル（ネットワーク構造）の歴史が頻出されます。

2. 試験に出る！最重要キーワードの解説と覚え方

ここでは、G検定で出力される重要キーワードを、「タスクの種類」「画像分類モデル」「物体検出モデル」「セグメンテーション＆姿勢推定モデル」「軽量化・最新モデル」の5つのグループに分けて徹底解説します。

【タスクの種類】何を見分けるか？

画像認識のタスクは、AIが画像から「何をどこまで読み取るか」によって分かれています。

一般物体認識・物体識別（Classification）

画像全体を見て、「何が写っているか」を判定する最も基本的なタスクです。
例えば、犬の写真を見て「これは犬である」とラベルを付けるのが物体識別です。位置情報は特定せず、画像全体クラスを推測します。

物体検出（Object Detection）

画像の中に「何が・どこにあるか」を同時に特定するタスクです。
物体を四角い枠（バウンディングボックス）で囲み、その枠内に「犬」「車」といったラベルを付けます。自動運転の障害物検知などに使われます。

セマンティックセグメンテーション（Semantic Segmentation）

画像内のすべてのピクセルに対して「それがどのカテゴリに属するか」をラベル付けする技術です。
例えば「犬の領域」「道路の領域」「空の領域」をピクセル単位で塗り分けます。ただし、同じ「犬」が2匹写っていても、区別せずに同じ「犬クラス」として塗り潰します。

インスタンスセグメンテーション（Instance Segmentation）

セマンティックセグメンテーションに「個体（インスタンス）の識別」を加えた技術です。
ピクセル単位で塗り分けつつ、「犬A」と「犬B」を別の個体として明確に区別して検出します。

パノプティックセグメンテーション（Panoptic Segmentation）

「セマンティック」と「インスタンス」を融合させた最新のセグメンテーション技術です。
背景などの区別できない要素（道路・空など）はセマンティックで塗り分け、個体として識別できる物体（人・車など）はインスタンスとして個別に識別し、画像全体を隙間なく完璧に解析します。

姿勢推定（Pose Estimation）

画像に写っている人物の関節位置（肘、膝、肩など）や骨格情報を特定する技術です。
スポーツのフォーム解析や、防犯カメラでの不審挙動の検知などに広く応用されています。

【画像分類の歴史的モデル】ILSVRCの歴代王者たち

画像分類モデルの発展史は、画像認識コンテスト「ILSVRC」の歴史そのものです。層の深さ（ディープ化）と構造の工夫が問われます。

AlexNet

2012年のILSVRCで圧倒的な差をつけて優勝し、第3次AIブームの火付け役となった畳み込みニューラルネットワーク（CNN）です。
ReLU関数やドロップアウト、GPUによる並列計算をいち早く取り入れたのが最大の特徴です。

VGG

2014年に登場したモデルで、「3×3の小さなフィルタ」を重ねることで層を深くしたのが特徴です。
VGG16やVGG19など層数に応じた名前があり、シンプルで美しい構造のため、転移学習のベースモデルとして長く愛用されています。

GoogLeNet（Inception）

VGGと同じ2014年のILSVRCで優勝したモデルです。
サイズの異なる複数の畳み込みフィルタを並列に適用する「Inceptionモジュール」を採用し、計算量を抑えつつネットワークを深く・広くすることに成功しました。

ResNet（Residual Network）

2015年のILSVRCで優勝した、現代AIの基礎となる超重要モデルです。
層を飛び越えて入力信号を後ろの層に直接足し合わせる「スキップ結合（残差結合）」を導入しました。これにより、層を深めたときに発生する「勾配消失問題」を克服し、152層という前代未聞の深さを実現しました。

Wide ResNet

ResNetの「層を深くする（Deep）」のではなく、「層の幅（チャネル数）を広げる（Wide）」ことで精度向上を目指したモデルです。
極端に深すぎる層よりも、計算効率よく同等以上の精度を出せることが証明されました。

DenseNet

ResNetのスキップ結合を発展させたモデルです。
ResNetが前方の層の出力を「加算（足し算）」するのに対し、DenseNetはすべての前方の層の出力を「チャネル方向に結合（コンカタネーション）」します。情報と勾配の流れる効率が飛躍的に向上しました。

SENet（Squeeze-and-Excitation Networks）

2017年のILSVRCで優勝したモデルで、「特徴マップのチャネルごとの重要度（重み）」を自動的に学習する「SEブロック」を導入しました。
「どの特徴（色や模様など）に注目すべきか」をAI自身が判断できるようにした画期的な手法です。

EfficientNet

2019年に登場した、「モデルの深さ（Depth）」「幅（Width）」「画像解像度（Resolution）」の3つをバランスよく同時にスケールアップする手法（複合スケーリング）を提案したモデルです。
少ないパラメータ数で最高レベルの精度をたたき出す、超効率的なネットワークです。

【物体検出モデル】位置と種類をすばやく探す

物体検出モデルは、処理手順によって「2ステージ系（精度重視）」と「1ステージ系（速度重視）」に分かれます。

Fast R-CNN / Faster R-CNN

2ステージ系の代表格です。まず物体がありそうな領域候補（RoI）を探し、次にその領域の物体判定を行います。
「Faster R-CNN」では領域提案自体もCNN（RPN：Region Proposal Network）で行うように改良され、高速化と高精度化を両立しました。

SSD（Single Shot MultiBox Detector）

1ステージ系の物体検出モデルで、領域提案と判定を1回のネットワークパスで同時に行います。
異なる解像度の特徴マップを利用することで、大小さまざまな物体を高速かつ高精度に検出できます。リアルタイム処理に適しています。

YOLO（You Only Look Once）

SSDと並ぶ1ステージ系の超高速な物体検出モデルです。
画像をグリッド（格子状）に分割し、一気に位置特定とクラス分類を行います。動画のリアルタイム解析などで圧倒的なシェアを誇ります。

FPN（Feature Pyramid Network）

異なる解像度の特徴マップをピラミッド状に組み合わせる技術です。
浅い層が持つ「細かい位置情報」と、深い層が持つ「高度な意味情報」を融合させることで、特に小さな物体の検出精度を劇的に向上させました。

【セグメンテーション＆姿勢推定モデル】ピクセル単位の精密解析

FCN（Fully Convolutional Network）

従来のCNNにあった「全結合層」をすべて「畳み込み層」に置き換えたモデルです。
入力画像のサイズを選ばずに処理でき、セマンティックセグメンテーションの基礎を築きました。

SegNet / UNet

FCNを発展させた「エンコーダ・デコーダ構造」を持つセグメンテーションモデルです。
「UNet」はネットワークの形がU字型をしており、浅い層の位置情報をデコーダに直接伝えるスキップ結合を持っています。医療画像処理などで非常に有名です。

PSPNet

画像全体のグローバルな文脈情報を取り入れるため、「ピラミッドプーリングモジュール」を導入したモデルです。
ビルの一部を「車」と誤認するような、局所的な情報だけでは起きがちなミスを防ぎます。

DeepLab

計算量を増やさずに受容野（フィルターが見る範囲）を広げる「Atrous Convolution（Dilated Convolution）」を採用した高品質なセグメンテーションモデルです。

Mask R-CNN

Faster R-CNNの先端に「マスク予測用のブランチ」を追加したモデルです。
物体検出（箱で囲む）と同時に、インスタンスセグメンテーション（ピクセル単位の塗り分け）を一度に行うことができます。

Open Pose

画像内の複数人の骨格（関節の位置）をリアルタイムで検出する代表的な姿勢推定ライブラリ・モデルです。
ボトムアップ方式を採用しており、人が増えても計算量が劇的に増えない工夫がされています。

### 【軽量化・自動探索（NAS）・最新モデル】エッジデバイスと次世代構造

MobileNet

スマートフォンや防犯カメラなどの「エッジデバイス」で動作するように設計された軽量なモデルです。
通常の畳み込みを「Depthwise畳み込み」と「Pointwise畳み込み」に分解する「Depthwise Separable Convolution」を使い、計算量を大幅に削減しています。

MnasNet

モバイル機器向けに、NAS（自動アーキテクチャ探索）を用いて最適なネットワーク構造を自動生成したモデルです。
精度の向上だけでなく、実際のスマホ上での遅延時間も考慮して最適化されています。

NAS（Neural Architecture Search）

人間がネットワーク構造（層の数や組み合わせ）を設計するのではなく、「AIがAIの最適な構造を自動的に探索・設計する」技術のことです。

Vision Transformer（ViT）

自然言語処理で絶大な成果を上げた「Transformer」を画像認識に応用した革新的なモデルです。
画像を小さなパッチ（タイルのような断片）に分割して系列データとして扱い、Self-Attention（自己注意機構）によって画像全体の文脈を捉えます。CNNを超える高精度をたたき出し、現在のトレンドとなっています。

リンク

3. 【要点整理】画像認識モデル＆タスク比較まとめ

複雑なモデルやタスクの違いを、試験直前に見返せるよう一覧表に整理しました。

① セグメンテーション手法の比較

タスク名	個体（インスタンス）の区別	背景の扱い	主な特徴・用途
セマンティック	しない（すべて同じ「犬」）	識別する	道路や空など、画像全体の領域分割
インスタンス	する（「犬A」「犬B」）	無視または一括り	個々の物体をくり抜く（Mask R-CNN等）
パノプティック	する	識別する	セマンティックとインスタンスの完全融合

② 物体検出モデルの比較

分類	代表的モデル	処理スピード	検出精度	処理の特徴
2ステージ系	Fast R-CNN, Faster R-CNN	やや遅い	非常に高い	領域候補を出してから精密に分類
1ステージ系	SSD, YOLO	超高速	高い	位置特定と分類を同時に1回で処理

③ 主な画像分類モデルの系譜

モデル名	登場年	最大のキーワード・革新点
AlexNet	2012年	ディープラーニング人気の火付け役（ReLU, GPU活用）
VGG	2014年	3×3の小サイズフィルタの重ねがけ
GoogLeNet	2014年	Inceptionモジュール（異なるサイズのフィルタ並列処理）
ResNet	2015年	スキップ結合（加算）による152層の超深層化
DenseNet	2017年	前方の層との密な結合（連結）
MobileNet	2017年	Depthwise Separable Convolution（軽量化）
Vision Transformer	2020年	Transformer（Self-Attention）の画像応用

4. G検定の「ひっかけ問題パターン」を総チェック！

G検定で出題される「引っかかりやすいポイント」をバツ選択肢とともに確認しておきましょう。

Q1. セグメンテーションに関する記述

✕（誤り）： セマンティックセグメンテーションは、画像に映った同じクラスの異なる個体（例えば2匹の猫）を明確に「猫A」「猫B」と区別して塗り分ける技術である。
〇（正しい）： 個体まで区別するのは「インスタンスセグメンテーション」です。セマンティックセグメンテーションは個体を区別せず、すべて同じ猫クラスとして処理します。

Q2. 物体検出モデルに関する記述

✕（誤り）： YOLOやSSDは、領域提案（Region Proposal）ネットワークを用いて位置を絞り込んだ後に分類を行うため、Faster R-CNNよりも高い精度を誇るが処理速度は遅い。
〇（正しい）： YOLOやSSDは「1ステージ系（領域提案を行わず1回で検出）」のため、超高速動作が特徴です。領域提案を行うのはFaster R-CNNなどの2ステージ系です。

Q3. ネットワーク構造に関する記述

✕（誤り）： ResNetは、前方の層の出力を後方の層の出力に「連結（Concat）」することで、情報の消失を防ぎ勾配消失問題を解決した。
〇（正しい）： ResNetが行うのは「加算（足し算）」です。前方の層の出力を「連結」するのはDenseNetの特徴なので、このすり替えに注意してください！

Q4. FCN（Fully Convolutional Network）に関する記述

✕（誤り）： FCNは、畳み込み層をすべて全結合層に置き換えることによって、位置情報を正確に保持したまま画像の領域分割を可能にした。
〇（正しい）： 逆です！FCNは「全結合層を『畳み込み層』に置き換えた」モデルです。これにより任意の画像サイズを入力できるようになりました。

🔥 まとめ：画像認識を制する者がG検定を制す！

画像認識分野は覚える用語が多いものの、「分類・検出・セグメンテーションのタスクの違い」と「モデルごとの key word（ResNet＝スキップ結合、MobileNet＝軽量化など）」さえ押さえておけば、確実に得点源にできます。
丸暗記しようとせず、「このモデルは何を解決するために登場したのか？」というストーリーで整理するのがコツです。

反復学習を進めて、自信を持って試験本番に挑みましょう！応援しています！

【大人気💡】過去問風ミニテスト＆関連テキスト

［「画像認識」］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