画像処理エンジニア検定エキスパート ⑥ パターン・特徴の検出とマッチング/パターン認識/深層学習

マッチングはSADとSSDの計算、カラーヒストグラム類似度、距離変換画像を使うチャンファーマッチングまで。SIFTは勾配強度と勾配方向の式、勾配方向ヒストグラムからオリエンテーションを決める手順、DoGでスケールを検出する仕組みが問われ、回転・拡大縮小に強い理由まで説明を求められる。ハフ変換は画像空間の1点がρθ空間の曲線になる対応関係が核心。識別はNN法・kNN法・プロトタイプ法の距離計算の対象、マハラノビス距離の等距離線が楕円になる理由、主成分分析と線形判別分析が最大化する量の違い、アダブースト、マージン最大化のSVM、ReLUと学習率まで。

この分野の問題81問を、選択肢・正解・解説つきで掲載しています。まず自分で解答を考えてから「正解と解説を見る」を開いて答え合わせをしてください。

クイズモードで挑戦 →

418SADを用いたテンプレートマッチングにおいて、最もマッチングしたと判定される位置はどれか。

  1. A類似度が最も大きくなる位置
  2. B類似度が最も小さくなる位置
  3. C相違度が最も小さくなる位置
  4. D相違度が最も大きくなる位置
正解と解説を見る

正解:C相違度が最も小さくなる位置

SADは画素値の差の絶対値の総和であり、値が小さいほど相違度が低く、最もマッチングしていると判定される。

この問題の解説ページを開く →

419対象画像の一部とテンプレート画像の画素値が完全に一致した場合、SSDによる相違度の値はいくらになるか。

  1. A0
  2. B無限大
  3. C1
  4. D100
正解と解説を見る

正解:A0

SSDは画素値の差の2乗の総和を計算するため、完全に一致した場合は差が0となり、総和も0となる。

この問題の解説ページを開く →

420対象画像とテンプレートのサイズがともに横M画素、縦N画素であるとき、SADを求める式として正しいものはどれか。

  1. A対応する画素の和の絶対値の総和
  2. B対応する画素の差の2乗の総和
  3. C対応する画素の差の絶対値の総和
  4. D対応する画素の積の総和
正解と解説を見る

正解:C対応する画素の差の絶対値の総和

SADは絶対値差の和であるため、対象画像とテンプレートの対応する画素の差の絶対値を総和する。

この問題の解説ページを開く →

421画素値の差の2乗和を利用するテンプレートマッチング手法はどれか。

  1. AKLT
  2. BSSD
  3. CSAD
  4. DNCC
正解と解説を見る

正解:BSSD

SSDは画素値の差の2乗の総和を相違度とする手法である。

この問題の解説ページを開く →

422画素値がすべて等しい2×2の領域に対して、画素値がすべて等しい2×2のテンプレートを用いてSADを計算した。対象領域の画素値が10、テンプレートの画素値が5であるときのSADの値はいくらか。

  1. A10
  2. B25
  3. C100
  4. D20
正解と解説を見る

正解:D20

SADは差の絶対値の総和であるため、10と5の差である5に4画素を掛けて20となる。

この問題の解説ページを開く →

423テンプレートマッチングに関する記述のうち、誤っているものはどれか。

  1. ASSDは値が大きいほど類似度が高いと判断する
  2. BSADは差の絶対値を利用する
  3. CSSDは差の2乗を利用する
  4. DSADは値が小さいほど相違度が低いと判断する
正解と解説を見る

正解:ASSDは値が大きいほど類似度が高いと判断する

SSDは相違度を表すため、値が小さいほど類似度が高いと判断する。

この問題の解説ページを開く →

424テンプレートと対象領域の正規化カラーヒストグラムを用いた類似度において、2つの画像間に共通の色が全くない場合の類似度はいくらか。

  1. A無限大
  2. B1
  3. C0
  4. Dマイナス1
正解と解説を見る

正解:C0

共通の色がない場合は各成分の積が常に0となるため、類似度の総和も0となる。

この問題の解説ページを開く →

425正規化カラーヒストグラムを用いた類似度の最大値はいくらか。

  1. A無限大
  2. B0
  3. C1
  4. D255
正解と解説を見る

正解:C1

ヒストグラムが完全に一致する場合、類似度の総和は正規化されたヒストグラムの総和に等しくなり最大値は1をとる。

この問題の解説ページを開く →

426カラーヒストグラムを用いたテンプレートマッチングを高速化するための工夫として適切なものはどれか。

  1. Aすべての位置で類似度を計算した後に比較する
  2. B類似度の上限値が小さいと保証される位置での計算を省く
  3. C画像間に共通の色がない位置だけを計算する
  4. D画像をグレースケールに変換してから計算する
正解と解説を見る

正解:B類似度の上限値が小さいと保証される位置での計算を省く

類似度の上限値が小さいと保証されることを利用し、計算を打ち切ることで高速化を図る。

この問題の解説ページを開く →

427正規化カラーヒストグラムを用いた類似度において、2つのヒストグラムが完全に同じである場合の値に関する説明として正しいものはどれか。

  1. A最小値の0をとる
  2. B平均値の0.5をとる
  3. C画素数に応じた値をとる
  4. D最大値の1をとる
正解と解説を見る

正解:D最大値の1をとる

正規化カラーヒストグラムの類似度は、ヒストグラムが完全に同一である場合に最大値の1となる。

この問題の解説ページを開く →

428DoG画像を作成する手順として正しいものはどれか。

  1. Aエッジ画像の差分からヒストグラムを作成する
  2. Bガウシアンフィルタによる平滑化画像と原画像の和をとる
  3. C強度の異なるガウシアンフィルタによる複数の平滑化画像の差分をとる
  4. D対象画像にラプラシアンフィルタを適用した後に差分をとる
正解と解説を見る

正解:C強度の異なるガウシアンフィルタによる複数の平滑化画像の差分をとる

DoG画像は、強度の異なるガウシアンフィルタから作成した複数の平滑化画像の差分から作成される。

この問題の解説ページを開く →

429DoG画像を用いた特徴点とスケールの検出において、特徴点候補となる画素はどのように探索されるか。

  1. A近傍画素との画素値の差がゼロになる画素を探索する
  2. B近傍画素の平均値と一致する画素を探索する
  3. C近傍画素との分散が最も大きくなる画素を探索する
  4. D近傍画素と比較して最も明るい、もしくは最も暗い画素を探索する
正解と解説を見る

正解:D近傍画素と比較して最も明るい、もしくは最も暗い画素を探索する

DoG画像上で近傍画素と比較して極値となる点を探索し、特徴点とスケールを検出する。

この問題の解説ページを開く →

430DoG画像を用いたスケール検出において、対象物が小さく写っている画像の特徴点スケールは、大きく写っている画像と比較してどうなるか。

  1. A小さくなる
  2. B対象物の色に依存する
  3. C変化しない
  4. D大きくなる
正解と解説を見る

正解:A小さくなる

対象物が小さく写っている画像では、大きく写っている画像に比べて検出されるスケールも小さくなる。

この問題の解説ページを開く →

431DoG画像の作成において、標準偏差σの平滑化画像とkσの平滑化画像の差分をとるとき、kはどのようなパラメータか。

  1. Aσの減少率
  2. B画像の輝度値
  3. Cσの増加率
  4. D画像の解像度
正解と解説を見る

正解:Cσの増加率

DoG画像は標準偏差をk倍ずつ増加させたガウシアンフィルタを用いて作成され、kは標準偏差の増加率を表す。

この問題の解説ページを開く →

432特徴点検出におけるDoG手法の説明として誤っているものはどれか。

  1. A複数の平滑化画像の差分からDoG画像を作成する
  2. B極値を探索して特徴点とスケールを検出する
  3. Cスケールが固定されており、拡大縮小に対応できない
  4. D強度の異なるガウシアンフィルタから作成した平滑化画像を用いる
正解と解説を見る

正解:Cスケールが固定されており、拡大縮小に対応できない

DoG画像を用いる手法は、極値探索により特徴点とともにスケールも検出するため、拡大縮小に対応できる。

この問題の解説ページを開く →

433SIFT特徴量が回転に対して不変である理由はどれか。

  1. Aカメラの外部パラメータを用いて座標系を正規化するため
  2. Bテンプレートを36方向に回転させてマッチングを行うため
  3. C円形のフィルタのみを用いて特徴量を抽出するため
  4. D特徴点がもつオリエンテーション方向に座標軸を合わせて特徴量を記述するため
正解と解説を見る

正解:D特徴点がもつオリエンテーション方向に座標軸を合わせて特徴量を記述するため

SIFTは局所領域の勾配方向ヒストグラムからオリエンテーションを求め、その方向に座標軸を合わせて特徴を記述するため回転不変となる。

この問題の解説ページを開く →

434SIFTにおける勾配強度を算出する式として正しいものはどれか。

  1. Ax方向とy方向の微分値の和
  2. Bx方向とy方向の微分値の比の逆正接
  3. Cx方向とy方向の微分値の絶対値の和
  4. Dx方向とy方向の微分値の2乗和の平方根
正解と解説を見る

正解:Dx方向とy方向の微分値の2乗和の平方根

勾配強度は、x方向とy方向の微分値の2乗和の平方根として算出される。

この問題の解説ページを開く →

435SIFTにおける勾配方向を算出する式として正しいものはどれか。

  1. Ax方向とy方向の微分値の比の逆正弦
  2. Bx方向とy方向の微分値の比の逆正接
  3. Cy方向の微分値をx方向の微分値で割った値そのもの
  4. Dx方向とy方向の微分値の2乗和の平方根
正解と解説を見る

正解:Bx方向とy方向の微分値の比の逆正接

勾配方向は、y方向の微分値をx方向の微分値で割った値の逆正接として算出される。

この問題の解説ページを開く →

436SIFTにおける勾配方向の説明として誤っているものはどれか。

  1. Ax方向とy方向の微分値の2乗和の平方根で算出される
  2. Bx方向とy方向の微分値の比の逆正接で算出される
  3. C36方向に量子化される
  4. D勾配方向ヒストグラムの作成に利用される
正解と解説を見る

正解:Ax方向とy方向の微分値の2乗和の平方根で算出される

2乗和の平方根の式は勾配方向ではなく勾配強度を求める式であるため誤りである。

この問題の解説ページを開く →

437SIFTにおいて特徴点のオリエンテーションを決定するために作成するものはどれか。

  1. Aハフ変換パラメータ空間
  2. B重み付き勾配方向ヒストグラム
  3. C濃淡ヒストグラム
  4. D正規化カラーヒストグラム
正解と解説を見る

正解:B重み付き勾配方向ヒストグラム

SIFTでは局所領域内の勾配強度を勾配方向に投票し、重み付き勾配方向ヒストグラムを作成してオリエンテーションを決定する。

この問題の解説ページを開く →

438SIFTにおける勾配方向ヒストグラムの作成時、勾配方向は通常いくつの方向に量子化されるか。

  1. A72方向
  2. B36方向
  3. C16方向
  4. D8方向
正解と解説を見る

正解:B36方向

SIFTの勾配方向ヒストグラムでは、勾配方向を36方向に量子化して投票を行う。

この問題の解説ページを開く →

439SIFTのオリエンテーション決定において、勾配方向ヒストグラムのピーク以外にオリエンテーションとして採用される条件はどれか。

  1. A最大値から20パーセント以上となるピーク
  2. B最大値から50パーセント以上となるピーク
  3. C最大値から80パーセント以上となるピーク
  4. D最小値となる谷
正解と解説を見る

正解:C最大値から80パーセント以上となるピーク

勾配方向ヒストグラムの最大値から80パーセント以上となるピークも、特徴点のオリエンテーションとして採用される。

この問題の解説ページを開く →

440SIFT特徴量を用いた画像間の対応点マッチングに関する説明として正しいものはどれか。

  1. A2枚の画像間で類似度が最も高い1組だけを求める
  2. B対象物の色が同じ特徴点だけをマッチングする
  3. C特徴量のユークリッド距離が大きいほど類似度が高いと判断する
  4. D2枚の画像間で類似度が高い点の組を複数求める
正解と解説を見る

正解:D2枚の画像間で類似度が高い点の組を複数求める

画像間の対応点マッチングでは、2枚の画像の間で類似度が高い点の組を複数見つけることでマッチングを行う。

この問題の解説ページを開く →

441チャンファーマッチングにおいて、入力画像側に対して事前に行う処理はどれか。

  1. Aエッジ画像から距離変換画像を作成する
  2. Bカラー画像をグレースケール画像に変換する
  3. Cフーリエ変換により周波数成分を抽出する
  4. Dヒストグラムの平坦化を行う
正解と解説を見る

正解:Aエッジ画像から距離変換画像を作成する

チャンファーマッチングでは、入力画像のエッジ画像から距離変換画像を作成し、テンプレートのエッジ画像とマッチングを行う。

この問題の解説ページを開く →

442チャンファーマッチングにおいて、相違度が0となるのはどのような場合か。

  1. A入力画像とテンプレートの背景色が完全に一致した場合
  2. Bテンプレートのエッジが、入力画像のエッジから最も遠く離れた場合
  3. C入力画像のエッジが全く存在しない場合
  4. Dテンプレートのエッジが、入力画像のエッジと完全に重なった場合
正解と解説を見る

正解:Dテンプレートのエッジが、入力画像のエッジと完全に重なった場合

距離変換画像においてエッジ上の画素の距離は0であるため、エッジが完全に重なると相違度の総和も0になる。

この問題の解説ページを開く →

443チャンファーマッチングの相違度計算に用いられる画像の組み合わせはどれか。

  1. A入力画像の平滑化画像とテンプレートのエッジ画像
  2. B入力画像のエッジ画像とテンプレートの距離変換画像
  3. C入力画像の距離変換画像とテンプレートのエッジ画像
  4. D入力画像のカラー画像とテンプレートのグレースケール画像
正解と解説を見る

正解:C入力画像の距離変換画像とテンプレートのエッジ画像

チャンファーマッチングは、入力画像から作成した距離変換画像と、テンプレートから作成したエッジ画像に基づいて相違度を計算する。

この問題の解説ページを開く →

444チャンファーマッチングに関する記述として誤っているものはどれか。

  1. A相違度の値が大きいほど、形状が類似していると判断する
  2. B距離変換画像上の値を足し合わせて相違度を計算する
  3. C入力画像のエッジ画像から距離変換画像を作成する
  4. Dテンプレートはエッジ画像を用いる
正解と解説を見る

正解:A相違度の値が大きいほど、形状が類似していると判断する

チャンファーマッチングでは距離変換画像の値を足し合わせるため、相違度が小さいほど類似していると判断する。

この問題の解説ページを開く →

445ハフ変換において、xy画像空間中の直線はρθパラメータ空間でどのように表されるか。

  1. A1つの点
  2. B1つの円
  3. C1本の正弦波
  4. D1本の直線
正解と解説を見る

正解:A1つの点

xy画像空間中の直線は、ρθパラメータ空間において正弦波の交点である1つの点として表される。

この問題の解説ページを開く →

446ハフ変換において、xy画像空間中の1点は、ρθパラメータ空間においてどのような図形となるか。

  1. A1つの円
  2. B1本の直線
  3. C1本の正弦波
  4. D1つの点
正解と解説を見る

正解:C1本の正弦波

ハフ変換の原理において、xy画像空間中の1点はρθパラメータ空間での1本の正弦波を定める。

この問題の解説ページを開く →

447ハフ変換において、xy画像空間中の点(0, 1)を通る直線群を表すρθパラメータ空間の式はどれか。

  1. Aρはマイナスsinθに等しい
  2. Bρはcosθとsinθの和に等しい
  3. Cρはcosθに等しい
  4. Dρはsinθに等しい
正解と解説を見る

正解:Dρはsinθに等しい

直線の式はρがx cosθとy sinθの和で表されるため、xに0、yに1を代入するとρはsinθとなる。

この問題の解説ページを開く →

448ハフ変換において、xy画像空間中の点(1, 0)を通る直線群を表すρθパラメータ空間の式はどれか。

  1. Aρはマイナスcosθに等しい
  2. Bρはcosθに等しい
  3. Cρはsinθに等しい
  4. Dρはcosθとsinθの和に等しい
正解と解説を見る

正解:Bρはcosθに等しい

直線の式はρがx cosθとy sinθの和で表されるため、xに1、yに0を代入するとρはcosθとなる。

この問題の解説ページを開く →

449ハフ変換において、ρθパラメータ空間で交点のρが1、θが2分のπとして検出された場合、対応するxy画像空間中の直線の方程式はどれか。

  1. Axとyの和が1
  2. Bxが1
  3. Cyが1
  4. Dyがxに等しい
正解と解説を見る

正解:Cyが1

直線の式にρが1、θが2分のπを代入すると、cosθが0、sinθが1となるためyが1となる。

この問題の解説ページを開く →

450ハフ変換を用いた図形要素検出に関する説明として誤っているものはどれか。

  1. A直線は原点からの距離ρと垂角θを用いて表される
  2. B原点からの距離ρと垂角θをパラメータとして用いる
  3. Cxy画像空間の直線はパラメータ空間の正弦波となる
  4. Dρθパラメータ空間での正弦波の交点を読み取ることで直線を特定する
正解と解説を見る

正解:Cxy画像空間の直線はパラメータ空間の正弦波となる

xy画像空間の直線は、ρθパラメータ空間では正弦波の交点である1つの点となるため、正弦波となるという記述は誤りである。

この問題の解説ページを開く →

451NN法によるパターン識別において、テストデータはどのようにクラス分類されるか。

  1. A特徴空間で最も近い学習用データと同じクラスに分類する
  2. B特徴空間で距離が最も遠いデータのクラスに分類する
  3. C学習用データ全体の平均座標のクラスに分類する
  4. D特徴空間で最も近いプロトタイプと同じクラスに分類する
正解と解説を見る

正解:A特徴空間で最も近い学習用データと同じクラスに分類する

NN法は、特徴空間においてテストデータから最も近傍にある学習用データを検索し、そのデータが属するクラスに分類する。

この問題の解説ページを開く →

452kNN法においてkを3とした場合、テストデータはどのようにクラス分類されるか。

  1. A3番目に近い学習用データと同じクラスに分類する
  2. B特徴空間で近い3つの学習用データのうち、最も多く属するクラスに分類する
  3. C特徴空間で近い3つの学習用データの平均座標をもつクラスに分類する
  4. D特徴空間で近い3つのクラスの中からランダムに分類する
正解と解説を見る

正解:B特徴空間で近い3つの学習用データのうち、最も多く属するクラスに分類する

kNN法はテストデータの近傍のk個の学習用データを検索し、多数決で分類する。

この問題の解説ページを開く →

453あるテストデータに対して、最も近い学習データがクラスX、2番目と3番目に近い学習データがクラスYであった。kを3としたkNN法を用いた場合、テストデータはどのクラスに識別されるか。

  1. AクラスXとYの中間
  2. BクラスY
  3. CクラスX
  4. D判定不能
正解と解説を見る

正解:BクラスY

kを3としたkNN法では多数決を行うため、クラスXが1票、クラスYが2票となりクラスYに識別される。

この問題の解説ページを開く →

454NN法とプロトタイプ法に関する説明として誤っているものはどれか。

  1. Aプロトタイプ法はすべての学習データとの距離を計算して識別する
  2. Bプロトタイプ法では各クラスの平均値をプロトタイプとすることがある
  3. CkNN法はNN法の精度を高めた手法である
  4. DNN法は最も近傍の学習データを検索して識別する
正解と解説を見る

正解:Aプロトタイプ法はすべての学習データとの距離を計算して識別する

プロトタイプ法は各クラスの代表点との距離を計算するため、すべての学習データとの距離を計算するわけではない。

この問題の解説ページを開く →

455プロトタイプ法を用いたパターン識別において、各クラスのプロトタイプとして一般的に用いられるものはどれか。

  1. A特徴ベクトルの平均値
  2. B特徴ベクトルの最大値
  3. C特徴ベクトルの分散
  4. D特徴ベクトルの外積
正解と解説を見る

正解:A特徴ベクトルの平均値

プロトタイプ法では、まず各クラスの特徴ベクトルの平均値などをプロトタイプとして作成し、それとの距離を測る。

この問題の解説ページを開く →

456マハラノビス距離を用いた等距離線の概形は、一般にどのような形状になるか。

  1. A正方形
  2. B楕円
  3. C正三角形
  4. D直線
正解と解説を見る

正解:B楕円

マハラノビス距離はクラスの分散共分散を考慮するため、その等距離線は分布の分散の大きい方向を長軸とする楕円となる。

この問題の解説ページを開く →

457マハラノビス距離の特徴として正しいものはどれか。

  1. Aクラスの分布の分散共分散を考慮して距離を計算する
  2. B非線形な座標変換を自動的に行う
  3. C特徴空間の次元数に反比例して距離が小さくなる
  4. D各特徴量のスケールを無視して距離を計算する
正解と解説を見る

正解:Aクラスの分布の分散共分散を考慮して距離を計算する

マハラノビス距離は分散が大きい方向に対しては距離が短く計算されるよう、分散共分散行列を考慮した距離尺度である。

この問題の解説ページを開く →

458あるクラスの分布が左下から右上の方向に大きな分散を持っている場合、プロトタイプを中心とするマハラノビス距離の等距離線の長軸はどの方向を向くか。

  1. A水平方向
  2. B左下から右上の方向
  3. C左上から右下の方向
  4. D垂直方向
正解と解説を見る

正解:B左下から右上の方向

マハラノビス距離は分散が大きい方向への距離を短く計算するため、等距離線の楕円の長軸は分散の大きい方向を向く。

この問題の解説ページを開く →

459パターン識別の距離尺度に関する説明で誤っているものはどれか。

  1. Aプロトタイプ法ではテスト画像とプロトタイプの距離を比較する
  2. Bマハラノビス距離の等距離線は楕円を描く
  3. CNN法ではユークリッド距離が用いられることがある
  4. Dユークリッド距離は分布の分散を考慮して距離を補正する
正解と解説を見る

正解:Dユークリッド距離は分布の分散を考慮して距離を補正する

分布の分散共分散を考慮して距離を補正するのはマハラノビス距離であり、ユークリッド距離は単なる直線距離である。

この問題の解説ページを開く →

460主成分分析を利用したパターン識別法に関する説明として正しいものはどれか。

  1. A高次元のサンプル群から分布をよく表現できる低次元の特徴空間を求める
  2. Bクラス間を最もよく分離するような非直交の基底を求める
  3. C逐次的に学習サンプルの重みを更新しながら識別器を選択する
  4. Dマージンが最大となる超平面を計算する
正解と解説を見る

正解:A高次元のサンプル群から分布をよく表現できる低次元の特徴空間を求める

主成分分析は、高次元空間における分布の分散が最大となる直交基底を求め、低次元の特徴空間へ射影する手法である。

この問題の解説ページを開く →

461主成分分析で求められる基底の幾何学的な性質として正しいものはどれか。

  1. A互いに平行である
  2. B互いに直交している
  3. C必ずランダムな角度をもつ
  4. Dクラスの数だけ存在する
正解と解説を見る

正解:B互いに直交している

主成分分析によって求められる基底は、分散を最大化するように選ばれ、互いに直交する性質をもつ。

この問題の解説ページを開く →

462線形判別分析の目的として正しいものはどれか。

  1. Aクラスごとの平均値を求めてプロトタイプとする
  2. Bデータ全体の分散が最大となるような直交基底を求める
  3. C各学習サンプルの重みを更新して強識別器を構築する
  4. Dクラス間を離し、クラス内のサンプルを集めるような基底を求める
正解と解説を見る

正解:Dクラス間を離し、クラス内のサンプルを集めるような基底を求める

判別分析はクラス間分散を最大化し、クラス内分散を最小化するような、クラスを最もよく識別する基底を求める。

この問題の解説ページを開く →

463主成分分析を利用したパターン識別法として知られている手法はどれか。

  1. AkNN法
  2. BSAD法
  3. CCLAFIC法
  4. Dアダブースト
正解と解説を見る

正解:CCLAFIC法

CLAFIC法やSELFIC法は、主成分分析を利用して特徴抽出およびパターン識別を行う代表的な手法である。

この問題の解説ページを開く →

464パターン認識の次元削減手法に関する説明として誤っているものはどれか。

  1. A判別分析はクラス間の識別性を高める基底を求める
  2. B主成分分析の基底は互いに直交する
  3. C主成分分析で得られる低次元空間は元の分布をよく表現する
  4. D主成分分析はつねにクラスの識別性を最適にする基底を選択する
正解と解説を見る

正解:D主成分分析はつねにクラスの識別性を最適にする基底を選択する

主成分分析はデータ全体の分散を最大化するが、クラスの識別性を最適にするとは限らない。

この問題の解説ページを開く →

4652値ベクトルを10進数に変換した値をMで割った余りをハッシュ値とする方式において、10進数で179に相当するデータのMを16としたときのハッシュ値はいくらか。

  1. A11
  2. B3
  3. C16
  4. D179
正解と解説を見る

正解:B3

179を16で割った余りは、16に11を掛けた176を引いた3となる。

この問題の解説ページを開く →

4662値ベクトルを10進数に変換した値をMで割った余りをハッシュ値とする方式において、左端を最下位ビットとする2値ベクトル(1 0 1 1 0 0 1 1)を10進数に変換した値はいくらか。

  1. A11
  2. B179
  3. C51
  4. D205
正解と解説を見る

正解:D205

左端を最下位ビットとすると1、4、8、64、128の和となり205となる。

この問題の解説ページを開く →

467左端を最下位ビットとする2値ベクトル(1 0 1 1 0 0 1 1)を、Mを16としてハッシュ化したときの値はいくらか。

  1. A11
  2. B5
  3. C13
  4. D3
正解と解説を見る

正解:C13

この2値ベクトルは10進数で205であり、205を16で割った余りは、16に12を掛けた192を引いた13となる。

この問題の解説ページを開く →

468ハッシングを用いた近似最近傍探索の目的として適切なものはどれか。

  1. A計算量を削減し、高速に近傍データを探索する
  2. B特徴空間の次元を増加させて線形分離可能にする
  3. C誤識別された学習サンプルの重みを増加させる
  4. Dすべてのデータとの厳密な距離を計算して精度を最大化する
正解と解説を見る

正解:A計算量を削減し、高速に近傍データを探索する

ハッシングはデータをバケットに振り分けることで、距離計算の回数を大幅に減らし、高速な近似探索を実現する。

この問題の解説ページを開く →

469ハッシングによる近似最近傍探索の説明として誤っているものはどれか。

  1. Aデータは事前に2値ベクトルなどに変換される
  2. Bハッシュ値が一致するデータのみを距離計算の対象とする
  3. Cすべての登録データに対してユークリッド距離を計算する
  4. Dハッシュ関数を用いてデータをバケットに分類する
正解と解説を見る

正解:Cすべての登録データに対してユークリッド距離を計算する

ハッシングは探索範囲を絞り込むための手法であり、すべての登録データに対して距離を計算するわけではないため誤りである。

この問題の解説ページを開く →

470アダブーストの学習プロセスに関する説明として正しいものはどれか。

  1. A誤識別した学習サンプルの重みを大きくして次の弱識別器を学習する
  2. Bすべての弱識別器を独立に並列学習し、多数決をとる
  3. Cクラス間分散が最大となるようにサンプルを射影する
  4. D正しく識別した学習サンプルの重みを大きくして次の弱識別器を学習する
正解と解説を見る

正解:A誤識別した学習サンプルの重みを大きくして次の弱識別器を学習する

アダブーストは逐次的に学習を行い、誤識別したサンプルの重みを大きくすることで、難しいサンプルに特化した弱識別器を選択していく。

この問題の解説ページを開く →

471アダブーストはどのような学習手法の1つに分類されるか。

  1. Aディープラーニング
  2. Bクラスタリング
  3. C教師なし学習
  4. Dアンサンブル学習
正解と解説を見る

正解:Dアンサンブル学習

アダブーストは複数の弱識別器を組み合わせて1つの強力な強識別器を学習するアンサンブル学習の1つである。

この問題の解説ページを開く →

472アダブーストにおける強識別器とはどのように構成されるか。

  1. A複数の弱識別器を組み合わせた最終的な識別関数
  2. B誤識別されたサンプルの平均ベクトル
  3. C最も性能の良かった1つの弱識別器
  4. Dマージンが最大となる単一の超平面
正解と解説を見る

正解:A複数の弱識別器を組み合わせた最終的な識別関数

強識別器は、逐次的に選択された複数の弱識別器の結果を重み付きで組み合わせることで構成される。

この問題の解説ページを開く →

473アダブーストの学習における学習サンプルの重みの遷移について、正しい特徴はどれか。

  1. A識別が困難なサンプルほど重みが徐々に大きくなる
  2. B識別が容易なサンプルほど重みが徐々に大きくなる
  3. C重みは常にランダムに再割り当てされる
  4. D学習が進むにつれてすべてのサンプルの重みが均一になる
正解と解説を見る

正解:A識別が困難なサンプルほど重みが徐々に大きくなる

誤識別したサンプルすなわち識別が困難なサンプルの重みを更新して大きくするため、後段の弱識別器はそれに着目する。

この問題の解説ページを開く →

474アダブーストに関する説明として誤っているものはどれか。

  1. A複数の弱識別器を組み合わせて強識別器を作る
  2. B逐次的に学習サンプルの重みを更新する
  3. C各弱識別器は独立して同時に学習される
  4. Dアンサンブル学習の一種である
正解と解説を見る

正解:C各弱識別器は独立して同時に学習される

アダブーストは前の弱識別器の識別結果を元にサンプルの重みを更新するため、逐次的に学習され並列には学習されない。

この問題の解説ページを開く →

475サポートベクタマシンにおいて、2クラスの分布を分ける超平面を決定する際に導入されている考え方はどれか。

  1. Aマージン最大化
  2. Bユークリッド距離の最小化
  3. Cクラス内分散の最小化
  4. D誤識別サンプルの重み最大化
正解と解説を見る

正解:Aマージン最大化

サポートベクタマシンは、2クラスの分布を分ける超平面を決める際に、汎化性能を高めるためのマージン最大化という考え方を導入している。

この問題の解説ページを開く →

476サポートベクタマシンにおけるサポートベクタとは何か。

  1. A誤識別されたすべての学習サンプル
  2. B識別境界に最も近い学習サンプル
  3. Cすべての学習サンプルの平均ベクトル
  4. D特徴空間の原点から最も遠い学習サンプル
正解と解説を見る

正解:B識別境界に最も近い学習サンプル

サポートベクタマシンにおいて、超平面との距離であるマージンを決定する基準となる、識別境界に最も近いサンプルをサポートベクタと呼ぶ。

この問題の解説ページを開く →

477線形分離可能な場合、サポートベクタマシンの識別境界はどのように決定されるか。

  1. Aサポートベクタまでの距離が最大になるように決定される
  2. Bサポートベクタまでの距離が最小になるように決定される
  3. Cデータ全体の分散が最大となる方向に決定される
  4. D各クラスのプロトタイプを通るように決定される
正解と解説を見る

正解:Aサポートベクタまでの距離が最大になるように決定される

サポートベクタマシンは識別境界に最も近いサポートベクタまでの距離が最大となるように識別境界を決定する。

この問題の解説ページを開く →

4782つの特徴量をもつ2クラスの学習サンプルを2次元の特徴空間にプロットし、サポートベクタマシンによって超平面を決定した。サポートベクタを通る境界線の間に未知のデータがプロットされた場合、どのように識別されるか。

  1. A最も近いプロトタイプのクラスに識別される
  2. B超平面を境界として存在する側のクラスに識別される
  3. Cランダムに決定される
  4. Dマージン内であるため未分類となる
正解と解説を見る

正解:B超平面を境界として存在する側のクラスに識別される

未知のデータであっても、決定された超平面のどちら側に位置するかによって確実にクラス識別が行われる。

この問題の解説ページを開く →

479サポートベクタマシンに関する説明として誤っているものはどれか。

  1. A超平面はクラスの平均値を必ず通るように引かれる
  2. Bマージン最大化により汎化性能が高い
  3. Cサポートベクタは超平面に最も近いサンプルである
  4. D2クラス分類問題を解くための識別器である
正解と解説を見る

正解:A超平面はクラスの平均値を必ず通るように引かれる

超平面はマージンが最大となるように引かれるため、必ずしもクラスの平均値を通るわけではない。

この問題の解説ページを開く →

480計算が簡単かつ、勾配消失問題が起こりにくい活性化関数として知られているReLU関数の定義として正しいものはどれか。

  1. A入力を0から1の範囲に滑らかに圧縮する
  2. B入力をそのまま出力する
  3. C入力が負のとき0、0以上のとき1を出力する
  4. D入力と0のうち大きい方を出力する
正解と解説を見る

正解:D入力と0のうち大きい方を出力する

ReLU関数は入力が負であれば0を、正であればその値をそのまま出力する関数である。

この問題の解説ページを開く →

481ニューラルネットワークの活性化関数であるシグモイド関数の説明として正しいものはどれか。

  1. A入力と0のうち大きい方を出力する
  2. B入力を0から1の範囲に滑らかに圧縮して出力する
  3. C入力をそのまま出力する
  4. D入力が負のとき0、0以上のとき1を出力する
正解と解説を見る

正解:B入力を0から1の範囲に滑らかに圧縮して出力する

シグモイド関数は出力を0から1の範囲に滑らかに圧縮する関数である。

この問題の解説ページを開く →

482入力値が0未満の場合は0、0以上の場合は1を出力する活性化関数はどれか。

  1. Aシグモイド関数
  2. B恒等関数
  3. CReLU関数
  4. Dステップ関数
正解と解説を見る

正解:Dステップ関数

入力値がしきい値である0を境に0か1に切り替わる関数はステップ関数と呼ばれる。

この問題の解説ページを開く →

483ReLU関数に関する説明として誤っているものはどれか。

  1. A計算が簡単である
  2. B入力が負の値であれば負の値をそのまま出力する
  3. C入力が正の値であればそのまま出力する
  4. D勾配消失問題が起こりにくい
正解と解説を見る

正解:B入力が負の値であれば負の値をそのまま出力する

ReLU関数は入力が負の値であれば0を出力するため、負の値をそのまま出力するという記述は誤りである。

この問題の解説ページを開く →

484パーセプトロンの学習において、勾配降下法を用いて重みパラメータを更新する際に用いられるρは何を表すか。

  1. A評価関数の収束値
  2. Bパラメータの更新量を決める学習率
  3. C出力と教師データの誤差
  4. D入力データの次元数
正解と解説を見る

正解:Bパラメータの更新量を決める学習率

ρはパラメータの更新の度合いを決める学習率を表している。

この問題の解説ページを開く →

485勾配降下法において、学習率を非常に大きく設定した場合に起こり得る現象として正しいものはどれか。

  1. A収束までの時間が著しく遅くなる
  2. B必ず1回の更新で最適なパラメータに到達する
  3. C重みパラメータが一切更新されなくなる
  4. D評価関数の最小位置を行き過ぎて更新ごとに大きく変動する
正解と解説を見る

正解:D評価関数の最小位置を行き過ぎて更新ごとに大きく変動する

学習率を過大に設定するとパラメータの更新量が大きすぎて最適値を行き過ぎ、収束せずに振動的になることがある。

この問題の解説ページを開く →

486勾配降下法において、適切な学習率よりも小さな学習率を設定した場合の収束の様子として正しいものはどれか。

  1. A更新量が小さいため即座に収束する
  2. B更新量が小さいため収束が遅くなる
  3. C更新量が大きいため振動的になる
  4. D更新量が大きいため誤差が0になる
正解と解説を見る

正解:B更新量が小さいため収束が遅くなる

学習率が小さいと1回のパラメータ更新量が小さくなるため、評価関数が最小値に到達するまでの収束が遅くなる。

この問題の解説ページを開く →

487評価関数を最小化するように勾配降下法で重みパラメータを更新するとき、更新の方向を決定する項はどれか。

  1. A学習率
  2. B評価関数の重みパラメータに関する偏微分
  3. C評価関数の値そのもの
  4. D重みパラメータの現在値
正解と解説を見る

正解:B評価関数の重みパラメータに関する偏微分

評価関数の重みパラメータに関する偏微分は勾配であり、この値に基づいて減少方向へパラメータを更新する。

この問題の解説ページを開く →

488勾配降下法によるパラメータ更新の説明として誤っているものはどれか。

  1. A学習率が大きいほど常に収束が早くなり安定する
  2. B学習率が大きすぎると振動的になることがある
  3. C評価関数を最小化するようにパラメータを更新する
  4. D学習率は重みパラメータの更新量を決める
正解と解説を見る

正解:A学習率が大きいほど常に収束が早くなり安定する

学習率が大きすぎると評価関数の最小位置を行き過ぎて振動し、収束しなくなることがあるため誤りである。

この問題の解説ページを開く →

489NN法によるパターン識別の特徴として正しいものはどれか。

  1. Aクラスごとの共分散行列を必要とする
  2. B必ず線形分離可能な識別境界となる
  3. C識別境界が複雑な非線形の境界になり得る
  4. D超平面によるマージン最大化を行う
正解と解説を見る

正解:C識別境界が複雑な非線形の境界になり得る

NN法は最も近いデータ点のクラスを割り当てるため、各データの領域によって複雑な境界が形成される。

この問題の解説ページを開く →

490SADやSSDの値と類似性の関係として、正しいものはどれか。

  1. A値が大きいほど類似している
  2. B値が0に近いほど類似していない
  3. C値と類似性は無関係である
  4. D値が小さいほど類似している
正解と解説を見る

正解:D値が小さいほど類似している

SADやSSDは相違度を表す指標であり、値が小さいほど2つの画像が似ていることを意味する。

この問題の解説ページを開く →

491SIFTにおける勾配強度と勾配方向の求め方の組み合わせとして、正しいものはどれか。

  1. A強度は微分値の比の逆正接、方向は微分値の2乗和の平方根
  2. Bどちらも微分値の2乗和の平方根で求める
  3. C強度は微分値の2乗和の平方根、方向は微分値の比の逆正接
  4. Dどちらも微分値の比の逆正接で求める
正解と解説を見る

正解:C強度は微分値の2乗和の平方根、方向は微分値の比の逆正接

勾配強度は2乗和の平方根、勾配方向はy方向とx方向の微分値の比の逆正接で算出される。

この問題の解説ページを開く →

492ハフ変換において、xy画像空間の点と直線がρθパラメータ空間で対応する図形の組み合わせとして正しいものはどれか。

  1. A点は1つの点に、直線は正弦波に対応する
  2. B点は正弦波に、直線は1つの点に対応する
  3. C点も直線も正弦波に対応する
  4. D点も直線も1つの点に対応する
正解と解説を見る

正解:B点は正弦波に、直線は1つの点に対応する

xy空間の1点はパラメータ空間で正弦波を描き、xy空間の直線は正弦波の交点である1点に対応する。

この問題の解説ページを開く →

493NN法とプロトタイプ法の距離計算の対象の組み合わせとして、正しいものはどれか。

  1. ANN法は各クラスの代表点、プロトタイプ法はすべての学習データとの距離を計算する
  2. Bどちらもすべての学習データとの距離を計算する
  3. Cどちらも各クラスの代表点との距離を計算する
  4. DNN法はすべての学習データ、プロトタイプ法は各クラスの代表点との距離を計算する
正解と解説を見る

正解:DNN法はすべての学習データ、プロトタイプ法は各クラスの代表点との距離を計算する

NN法は学習データ全体から最近傍を探索し、プロトタイプ法はクラスごとの代表点との距離だけを比較する。

この問題の解説ページを開く →

494ユークリッド距離とマハラノビス距離の違いとして、正しいものはどれか。

  1. Aマハラノビス距離は分布の分散共分散を考慮するが、ユークリッド距離は考慮しない
  2. Bユークリッド距離は分布の分散共分散を考慮するが、マハラノビス距離は考慮しない
  3. Cどちらも分布の分散共分散を考慮する
  4. Dどちらも分布の分散共分散を考慮しない
正解と解説を見る

正解:Aマハラノビス距離は分布の分散共分散を考慮するが、ユークリッド距離は考慮しない

マハラノビス距離は分散共分散行列を用いるため、等距離線が分布に応じた楕円になる。

この問題の解説ページを開く →

495主成分分析と線形判別分析が最大化する対象の組み合わせとして、正しいものはどれか。

  1. A主成分分析はクラスの分離度、判別分析はデータ全体の分散を最大化する
  2. Bどちらもデータ全体の分散を最大化する
  3. Cどちらもクラスの分離度を最大化する
  4. D主成分分析はデータ全体の分散、判別分析はクラスの分離度を最大化する
正解と解説を見る

正解:D主成分分析はデータ全体の分散、判別分析はクラスの分離度を最大化する

主成分分析は分散最大の直交基底を求め、判別分析はクラスを最もよく分離する基底を求める。

この問題の解説ページを開く →

496アダブーストにおける弱識別器の学習方法として、正しいものはどれか。

  1. Aすべての弱識別器を独立に並列で学習する
  2. B重みを用いず均等に学習する
  3. C最初に選んだ1つの弱識別器のみを使う
  4. D学習サンプルの重みを更新しながら逐次的に学習する
正解と解説を見る

正解:D学習サンプルの重みを更新しながら逐次的に学習する

アダブーストは誤識別したサンプルの重みを大きくしながら、逐次的に次の弱識別器を選択していく。

この問題の解説ページを開く →

497ReLU関数とステップ関数の出力の違いとして、正しいものはどれか。

  1. AReLUは0か1のみを出力し、ステップ関数は負で0、正で入力値を出力する
  2. Bどちらも0か1のみを出力する
  3. CReLUは負で0、正で入力値をそのまま出力し、ステップ関数は0か1のみを出力する
  4. Dどちらも入力値をそのまま出力する
正解と解説を見る

正解:CReLUは負で0、正で入力値をそのまま出力し、ステップ関数は0か1のみを出力する

ReLU関数は正の入力をそのまま通すのに対し、ステップ関数はしきい値を境に0か1へ切り替わる。

この問題の解説ページを開く →

498DoG画像を用いた特徴点検出が対象物の拡大縮小に対応できる理由として、正しいものはどれか。

  1. Aテンプレートを拡大縮小して総当たりで探索するため
  2. B画像をあらかじめ一定の大きさに正規化するため
  3. C極値探索により特徴点と同時にスケールも検出できるため
  4. D色情報のみを用いて検出するため
正解と解説を見る

正解:C極値探索により特徴点と同時にスケールも検出できるため

強度の異なるガウシアンから作成したDoG画像の極値を探すことで、特徴点とそのスケールが同時に求まる。

この問題の解説ページを開く →
画像処理エンジニア検定エキスパートの全分野一覧へ戻る