FPN（Feature Pyramid Network）の理解
問題
FPN (Feature Pyramid Network)について、誤っている記述を1つ選べ。
解説
FPN（Feature Pyramid Network）は、様々な大きさの物体を精度よく検出するために、CNNの特徴マップをピラミッド状に構築・統合するアーキテクチャです。
通常のCNNでは、層が深くなるほど「意味的な情報（何が写っているか）」は強くなりますが「位置の情報（どこにあるか・解像度）」は失われます。
FPNは、浅い層の「高解像度だが意味が弱い情報」と、深い層の「低解像度だが意味が強い情報」を、トップダウン経路と横方向の接続（スキップ結合）を用いて融合させます。
これにより、すべてのスケールで「意味的にも位置的にも強い特徴マップ」を作成でき、特に小さな物体の検出精度が劇的に向上します。
1. FPN (Feature Pyramid Network)はボトムアップとトップダウンの両方の経路を持つ。
正しい：通常の画像から特徴を抽出するボトムアップ経路に加え、深い層の情報を浅い層へ戻すトップダウン経路の両方を持っています。
2. FPN (Feature Pyramid Network)は横方向接続で特徴を結合する。
正しい：トップダウンで拡大された特徴マップと、ボトムアップの同じ解像度の特徴マップを横方向接続（Lateral Connection）で足し合わせて情報を結合します。
3. FPN (Feature Pyramid Network)は小さな物体の検出性能を向上させる。
正しい：浅い層の高解像度な情報を、深い層の強力な意味情報で補強できるため、高解像度が要求される「小さな物体」の検出性能が大きく向上します。
4. FPN (Feature Pyramid Network)は単一解像度の特徴のみを使用する。
誤り：単一解像度ではなく、ピラミッド状に構築された「複数解像度」の特徴マップをそれぞれ独立した予測に使用するのがFPNの特徴です。
📚 より詳細を学びたい方へ
同じカテゴリの問題
- tanh関数の理解
- 勾配消失問題と活性化関数の関係
- エポック（Epoch）とイテレーションの理解
- 鞍点（Saddle Point）の理解
- ストライド（stride）の理解
- BPTTの理解
- 位置エンコーディングの理解
- MixupおよびCutMixの理解
- 物体識別と物体検出の違い
- セマンティックセグメンテーションの特徴
- インスタンスセグメンテーションの理解
- パノプティックセグメンテーションの特徴
- 姿勢推定（Pose Estimation）の理解
- AlexNetの特徴
- GoogLeNet（Inception）の理解
- VGGの構造的特徴
- ResNetの残差学習の理解
- Wide ResNetの特徴
- DenseNetの密結合構造
- EfficientNetとMobileNetの理解
- NAS（ニューラルアーキテクチャ探索）の特徴
- MnasNetの探索戦略
- NASNetのセル構造
- SENet（Squeeze-and-Excitation Network）の理解
- Vision Transformer（ViT）の特徴
- Fast R-CNNの処理構造
- Faster R-CNNのRPN
- Mask R-CNNの追加機能
- SSD（Single Shot MultiBox Detector）の特徴
- YOLO（You Only Look Once）の特徴
- FPN（Feature Pyramid Network）の理解
- FCN（Fully Convolutional Network）の特徴
- OpenPoseとPart Affinity Fields
- BERTの事前学習タスク
- Bag-of-Words（BoW）の特徴
- word2vecの理解
- fastTextのサブワード学習
- CBOW（Continuous Bag-of-Words）の特徴
- skip-gramの特徴
- CEC（Constant Error Carousel）の役割
- ELMoの文脈化表現
- GPTモデルの学習方式
- PaLMの理解
- Seq2Seqモデルの構造
- TF-IDFの重要度計算
- 形態素解析の役割
- 構文解析の目的
- 感情分析の特徴
- 文書要約の種類
- A-D変換（アナログ-デジタル変換）のプロセス
- WaveNetの特徴
- 音韻の理解
- 音声認識の基本
- 音素の理解
- 隠れマルコフモデル（HMM）の特徴
- 高速フーリエ変換（FFT）の理解
- スペクトル包絡の特徴
- PCM（パルス符号変調）の理解
- MFCC（メル周波数ケプストラム係数）の特徴
- CTC（Connectionist Temporal Classification）の理解
- A3C（Asynchronous Advantage Actor-Critic）の特徴
- Agent57の特徴
- APE-Xの理解
- DQN（Deep Q-Network）の理解
- Double DQNの理解
- Dueling Networkの特徴
- PPO（Proximal Policy Optimization）の理解
- OpenAI Fiveの特徴
- AlphaStarの理解
- sim2realの課題
- ドメインランダマイゼーションの理解
- ノイジーネットワークの特徴
- 報酬成形（Reward Shaping）の理解
- GAN（敵対的生成ネットワーク）の理解
- DCGANの特徴
- Diffusion Modelの理解
- NeRF（Neural Radiance Fields）の特徴
- Pix2Pixの理解
- CycleGANの特徴
- StyleGANの理解
- データ生成タスクの応用
- 転移学習の基本概念
- ファインチューニングの特徴
- Few-shot / One-shot 学習の理解
- 自己教師あり学習の役割
- 破壊的忘却（Catastrophic Forgetting）
- 半教師あり学習の特徴
- マルチモーダルAIの基本理解
- CLIPの特徴理解
- DALL-Eの役割
- Visual Question Answeringの理解
- zero-shot推論の理解
- マルチタスク学習の特徴
- CAMの特徴に関する問題
- Grad-CAMの理解
- LIMEの特徴
- SHAPの特徴理解
- 知識蒸留の理解
- プルーニングの理解
- 量子化の理解
- 説明可能AI（XAI）の理解