E資格（エンジニア資格） 無料問題 6 / 10 ・ 分野4: 深層学習の応用
Fast R-CNN の RoI Pooling で、特徴マップ上の 4×4 の領域（RoI）を 2×2 のグリッドに分け、各グリッドの最大値を取って 2×2 の出力にする。領域の値が [[1, 3, 2, 4], [5, 6, 1, 2], [7, 2, 9, 0], [3, 4, 8, 6]] のとき、出力の4つの値の合計はどれか。
- 36
- 26
- 4
- 15.75
正解と解説を見る
正解: B
正解の理由
4×4 を 2×2 の4つのグリッド（各 2×2）に分け、それぞれの最大値を取る。左上は max(1, 3, 5, 6) = 6、右上は max(2, 4, 1, 2) = 4、左下は max(7, 2, 3, 4) = 7、右下は max(9, 0, 8, 6) = 9 なので、出力は [[6, 4], [7, 9]] で、合計は 26 である。大きさの違う RoI も、決まった大きさの出力にそろえられる。
違う選択肢
「15.75」… 15.75 は各グリッドの最大値でなく平均（3.75 + 2.25 + 4 + 5.75）を取った値である。RoI Pooling は最大値プーリングである。
「36」… 36 は領域全体の最大値 9 を4つのグリッドすべてに当てはめた値（9×4）である。最大値はグリッドごとに取る。
「4」… 4 は各グリッドの最小値（1 + 1 + 2 + 0）を取った値である。取るのは最大値である。
押さえどころ
RoI Pooling は、Fast R-CNN で候補の領域ごとに大きさのちがう特徴を、全結合層に入れる固定の大きさにそろえる層である。R-CNN は候補ごとに CNN を回すが、Fast R-CNN は画像全体の特徴マップを1回だけ計算して、その上でこの層を使う。