【G検定過去問風テスト】写真の説明文を自動生成！Image Captioningの仕組み
※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。
📝 問題
入力された画像の内容を読み取り、その状況や状況説明を行う自然言語の文章（例：「公園のベンチで犬と遊んでいる男の子」）を自動生成するマルチモーダルタスクとして、最も適切なものを1つ選べ。
- A）Image Captioning
- B）VQA（Visual Question Answering）
- C）Text-to-Image
- D）Zero-Shot画像分類
🔍 ここをクリックして正解を見る
- 正解: A）Image Captioning
💡 合格に近づく！徹底解説
- 重要度: ★★☆
■ 1分で分かる！この問題の要点
- Image Captioning（画像キャプション生成）: 「画像」を入力すると、AIがその写真の状況を説明する「文章」を自動で書き下ろすタスク。
- 人間に質問されたことに答える「VQA」とは異なり、指示なしで写真の説明文そのものを出力するのが特徴。
■ 初学者向け解説（例え話や背景）
Image Captioningは、いわば「観光地で写真をとったとき、アルバムの脇に『美しい夕日を背景に海岸を散歩するカップル』と情緒豊かな説明書きをそっと添えてくれる几帳面なアルバム係」のようなものです。画像（視覚）の情報をまるごと受け取り、それを人間が読んでスッと情景が目に浮かぶような自然な文章（テキスト）へと変換して出力する、マルチモーダルの基本かつ重要な応用技術です。
■ 選択肢の解説
- A) Image Captioning（画像キャプション生成）（○）: 入力された画像の説明文（キャプション）を自動生成するタスクです。正解です！
- B) VQA（×）: 画像とテキストの「質問」をセットで入力し、質問に対する答えをテキストで返すタスクです。
- C) Text-to-Image（×）: テキストの指示文を入力し、それに合致した新しい画像を生成するタスクです。
- D) Zero-Shot画像分類（×）: 事前の個別学習なしに、未知の画像クラスを高精度に分類する機械学習の手法です。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
