【G検定】Vision Transformer（ViT）とは？画像をパッチ分割してTransformerで読む仕組み
2026年5月20日
Vision Transformer（ViT）は、自然言語処理で成功したTransformerを画像認識に持ち込んだモデルです。画像を「パッチ」に切り分けて単語のように扱うという発想の転換と、CNNとの使い分けのポイントを初心者向けに解説します。
【G検定】VGGとは？3×3フィルタを重ねて深くしたCNN（VGG16/VGG19）を解説
2026年5月20日
VGG（ブイジージー）は、オックスフォード大学の研究グループが開発した、3×3の小さなフィルタをひたすら積み重ねるシンプルな設計のCNNです。この記事では、VGG16/VGG19の構造の考え方と、ILSVRC 2014での実績、そして後続モデルへ残した影響を解説します。
【G検定】U-Netとは？スキップ接続で医用画像を切り分けるU字型モデルを解説
2026年5月20日
U-Net（ユーネット）は、生物医学画像のセグメンテーションのために生まれた、U字型のエンコーダ・デコーダ構造を持つCNNです。この記事では、U-Netの代名詞である「スキップ接続」の役割と、少ないデータでも高性能を出せる理由を初心者向けに解説します。
【G検定】SSDとは？1ステージで位置とクラスを同時予測する物体検出手法を解説
2026年5月19日
SSD（Single Shot MultiBox Detector）は、1回のネットワーク処理で「物体がどこにあるか」と「それが何か」を同時に予測する物体検出手法です。この記事では、2段階の従来手法との違い、マルチスケール特徴マップとデフォルトボックスという2つの柱を初心者向けに解説します。
【G検定】SENetとは？チャネルの重要度を学ぶSEブロックの仕組みをわかりやすく解説
2026年5月19日
SENet（エスイーネット）は、CNNの特徴マップの「チャネルごとの重要度」を自動で学習して調整する、Squeeze-and-Excitation（SE）ブロックを導入した画像認識モデルです。この記事では、SEブロックの3ステップ（圧縮→重み計算→掛け合わせ）を順番に解説します。