AI資格 模擬試験

G検定 模擬試験 第4回 問66・ディープラーニングの要素技術（Attention）

Vision Transformerのパッチ分割

Vision Transformer（ViT）が画像を扱うときの入力の作り方として、最も適切なものを1つ選べ。

  1. A

    画像を小さな正方形のパッチに分け、それぞれをベクトルにして系列として入力する

  2. B

    画像を1画素ずつ別々のモデルに入力する

  3. C

    画像を音声に変換してから入力する

  4. D

    画像を文章に変換してから入力する

正解と解説を見る

正解：A

ViTは画像をパッチに分けてベクトル化し、系列としてTransformerに入力する。大量のデータで学習すると高い精度を出す。

画像を3×3のパッチに分けて番号を付け、1列に並べてTransformerに入力する図。

Vision Transformer：画像を小さなパッチに分け、並べた列としてTransformerに入力する。

学習のポイント：CNNは局所的な特徴に強く、ViTは大域的な関係を捉えやすい、という違いを押さえる。

この問題を演習で解く →

問題一覧へ

このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。