title: 【文系でも3分で理解】G検定「セグメンテーション」攻略｜FCN・SegNet・U-Netは塗り絵で覚える
tags: G検定 AI ディープラーニング JDLA 資格
はじめに
こんにちは。2026年1月のG検定に合格した、文系出身のエンジニアです。
画像認識の分野で「物体検出」とセットで出題されやすいのがセグメンテーションです。「セマンティック」「インスタンス」「パノプティック」とカタカナが並び、モデル名もFCN・SegNet・U-Netと似たものばかり……。でも実はこの分野、**「画像の塗り絵」**というイメージさえつかめば一気に整理できます。この記事で3分でスッキリさせましょう。
注意: この記事はJDLA認定の公式コンテンツではありません。筆者個人の学習経験に基づく非公式の情報共有です。最新のシラバスは JDLA公式サイト でご確認ください。
セグメンテーションとは何か
画像認識のタスクは、ざっくり3段階の「細かさ」があります。
| タスク | 何をする？ | 出力のイメージ |
|---|---|---|
| 画像分類 | 画像全体に1つのラベル | 「これは猫の写真」 |
| 物体検出 | 物体を四角い枠（バウンディングボックス）で囲む | 「ここに猫、ここに犬」 |
| セグメンテーション | ピクセル単位でラベルを塗り分ける | 猫の形どおりに塗り絵 |
セグメンテーションは、画像の1ピクセルごとに「これは猫」「これは背景」と分類するタスクです。四角で囲むのではなく、物体の輪郭どおりに塗り分けるので、自動運転（道路・歩行者・車の領域把握）や医療画像診断（腫瘍の領域特定）など、正確な形が重要な場面で使われます。
3種類のセグメンテーションを塗り絵で区別する
G検定では「〇〇セグメンテーションはどれか」という形式で問われます。塗り絵のルールの違いで覚えましょう。
- セマンティックセグメンテーション: カテゴリごとに色を塗る。猫が3匹いても全部「猫色」で1色。個体は区別しない
- インスタンスセグメンテーション: 個体ごとに色を塗る。猫が3匹いたら3色で塗り分ける。背景は塗らなくてOK
- パノプティックセグメンテーション: 上の2つのいいとこ取り。背景も含めて全ピクセルを塗り、数えられる物体は個体ごとに区別する
「セマンティック＝意味（カテゴリ）」「インスタンス＝個体」と語源で押さえると忘れません。
頻出モデル3つを一気に整理
FCN：全結合層を捨てたパイオニア
**FCN（Fully Convolutional Network / 完全畳み込みネットワーク）**は、セマンティックセグメンテーションの先駆けです。
通常のCNNは最後に全結合層を置いて「猫か犬か」を出力しますが、全結合層を通すと位置情報が失われてしまいます。FCNは全結合層をすべて畳み込み層に置き換えることで、位置情報を保ったままピクセル単位の分類を可能にしました。「Fully Connected（全結合）を捨てて Fully Convolutional（全部畳み込み）に」と覚えるのがおすすめです。
SegNet：エンコーダ・デコーダ構造の代表
SegNetは、画像を畳み込みで圧縮するエンコーダと、元のサイズに戻すデコーダを対称に組み合わせた構造です。
小さくなった特徴マップを元の解像度に拡大する処理はアップサンプリングと呼ばれ、ここで使われる「逆向きの畳み込み」的な処理が**逆畳み込み（デコンボリューション / 転置畳み込み）**です。「圧縮してから戻す砂時計型」のイメージで覚えましょう。
U-Net：医療画像で大活躍のU字型
U-Netもエンコーダ・デコーダ構造ですが、最大の特徴はスキップ結合（skip connection）。エンコーダ側の特徴マップを、対応するデコーダ側に直接橋渡しします。
圧縮の過程で失われがちな細かい輪郭情報を復元時に補えるため、境界の精度が命の医療画像セグメンテーションで広く使われています。構造図がアルファベットのU字に見えることが名前の由来で、試験でも「U-Net＝医療画像」の組み合わせは頻出です。
あわせて押さえたい関連キーワード
- PSPNet: ピラミッドプーリングで画像の広域情報（文脈）を取り込むモデル
- Dilated Convolution（拡張畳み込み）: カーネルの間隔を空けて、計算量を増やさず広い範囲を見る畳み込み。DeepLabで採用
- Mask R-CNN: 物体検出のFaster R-CNNにマスク出力を追加した、インスタンスセグメンテーションの代表モデル
覚え方のコツ：「何を捨てた？何を足した？」で区別する
モデル名の暗記は、それぞれの「ひと言の特徴」に絞るのが近道です。
- FCN → 全結合層を捨てた（位置情報を守る）
- SegNet → エンコーダ・デコーダを組んだ（砂時計型）
- U-Net → スキップ結合を足した（U字型・医療画像）
この3ステップは技術の進化の順番でもあるので、ストーリーとして覚えると選択肢に迷いません。
おわりに
セグメンテーションは、物体検出（R-CNN・YOLO・SSD）とごちゃ混ぜになりやすい分野ですが、「四角で囲むのが検出、塗り絵がセグメンテーション」という一線さえ引ければ、あとはモデルの特徴を1つずつ紐づけるだけです。試験前にこの記事の表だけでも見返してもらえたらうれしいです。
おすすめの学習リソース
体系的に学習を進めたい方には、AI資格の学習情報をまとめた AI資格ナビ（ai-kentei.net） もおすすめです。分野別の解説や学習プランの立て方が整理されていて、私も学習の全体像をつかむのに役立ちました。
最後まで読んでいただきありがとうございました。あなたの学習の一助になればうれしいです！