1. 定義と概要
セグネット（SegNet）とは、ケンブリッジ大学の研究チームが2015年に発表した、セマンティックセグメンテーションのためのディープラーニングモデルです。入力画像を畳み込みで圧縮するエンコーダ（入力画像を畳み込みで圧縮し特徴を抽出する前半部分）と、圧縮した特徴を元の解像度まで復元するデコーダ（圧縮された特徴を元の画像サイズまで復元する後半部分）を、対称に組み合わせた構造を持ちます。
最大の特徴は、エンコーダのマックスプーリング（特徴マップ〔畳み込み層が画像から抽出した特徴を並べたデータ〕の一定範囲から最大値だけを抜き出して縮小する処理）で最大値を選んだ位置の情報をプーリングインデックスと呼ぶ点にあります。デコーダ側のアンプーリング（プーリングで縮小した特徴マップを元の大きさに戻す処理）では、この位置情報だけを再利用して元の解像度を復元します。
従来、セマンティックセグメンテーションの先駆けとなったFCN（全結合層をすべて畳み込み層に置き換えてピクセル単位の分類を可能にしたモデル）が使われていました。このFCNは、エンコーダ側の特徴マップ自体をデコーダ側へ足し合わせるスキップ接続（エンコーダ側の情報をデコーダ側へ直接渡す経路）で解像度を補っていました。
この方式は特徴マップそのものを保持し続けるため、メモリ消費が大きいという課題を抱えていました。セグネットは特徴マップではなく位置情報だけを受け渡す設計にすることで、この課題に対応しています。
2. 試験対策ポイント
プーリングインデックスの記憶と再利用の仕組みは、あわせて整理しておきたい論点です。エンコーダのマックスプーリングで最大値を選んだ位置を記録し、デコーダのアンプーリングでその位置に値を戻すことで、特徴マップ自体を保持するよりも少ないメモリで元の解像度を復元する関係にあります。
セグネットのエンコーダは、VGG16（画像認識で広く使われる13層の畳み込み層を持つ代表的なCNNモデル）の畳み込み13層と同じ構造を流用しており、デコーダはエンコーダと対称の構造を持ちます。前半で圧縮した手順を、後半でそのまま逆にたどるという形です。
FCNとの違いは、デコーダへの情報の渡し方です。FCNはエンコーダ側の特徴マップ自体をデコーダ側の出力に足し合わせるのに対し、セグネットは特徴マップではなくプーリングインデックスという位置情報だけを渡すため、メモリ効率に優れるという対比があります。
エンコーダとデコーダが直列につながる構造のため、細かい境界のピクセル単位（画像を構成する一つひとつの点ごとに処理を行う粒度）の情報が、伝播の過程で失われやすいという弱点があります。この弱点を、エンコーダの特徴マップ自体をデコーダ側に連結するスキップ接続で補ったのがU-Net（エンコーダとデコーダの間にスキップ接続を持つセグメンテーションモデル）という関係にあります。
3. 関連概念との比較・相違点
セグネットとFCNとの最大の違いは、デコーダへの情報の渡し方にあります。FCNはエンコーダ側の特徴マップ自体をスキップ接続でデコーダ側の出力に足し合わせる方式を採ります。特徴マップというデータそのものを保持し続けるため、学習パラメータ（モデルが学習の過程で調整する内部の数値）とメモリの消費量が大きくなります。
一方でセグネットは、特徴マップではなくプーリングインデックスという位置情報だけをデコーダに渡します。渡すデータが位置座標のみであるため、FCNに比べて学習パラメータとメモリ消費を抑えられるという関係にあります。
もう一つの比較対象がU-Netです。セグネットは位置情報だけを受け渡す設計であるため、エンコーダとデコーダが直列につながる構造の中で、細部の境界情報が失われやすいという弱点を抱えます。これに対しU-Netは、エンコーダ側の特徴マップ自体をスキップ接続でデコーダ側に連結し、境界の詳細を補う設計を採用しています。
3つのモデルがデコーダへ何を渡すのかを並べると、設計思想の違いが見えてきます。
| モデル | デコーダへ渡すもの | 渡し方から生じる特徴 |
|---|---|---|
| セグネット（SegNet） | プーリングインデックス（最大値を選んだ位置の情報） | 学習パラメータとメモリの消費を抑えられる一方、細部の境界情報が失われやすい |
| FCN | エンコーダ側の特徴マップ自体（足し合わせる） | 解像度を補えるが、学習パラメータとメモリの消費量が大きい |
| U-Net | エンコーダ側の特徴マップ自体（連結する） | 境界の詳細を補える |
位置情報のみを渡すセグネットと、特徴マップそのものを連結するU-Netという設計思想の違いが、両モデルを区別する軸になります。
4. ビジネス・実務での活用シナリオ
自動運転や運転支援の分野では、CamVidデータセット（道路シーンを撮影した画像集）を使った検証実績があり、走行中の道路・歩道・車両などをピクセル単位で識別する用途に適しています。メモリ効率の高さは、車載組み込み機器のように搭載できるメモリが限られる環境での運用と相性がよい特性です。
屋内向けのロボティクスでも、セグネットは屋内シーンのデータセット（SUN RGB-D）を使った検証実績があり、ロボットが室内の壁・床・家具などの領域を認識して経路計画や物体配置の把握に使う場面に応用できます。
産業用の画像検査やドローンの領域でも、プーリングインデックスだけを保持する省メモリ設計は意味を持ちます。計算資源が限られた組み込み機器やドローン上でリアルタイムにセグメンテーション処理を行う用途と、この設計は親和性が高いといえます。
5. 要点まとめ
- セグネットは、ケンブリッジ大学が発表したエンコーダ・デコーダ型のセマンティックセグメンテーションモデルで、プーリング時の位置情報〔プーリングインデックス〕を記憶し、デコーダのアンプーリングで再利用する設計を持ちます。
- FCNは特徴マップ自体をスキップ接続で足し合わせるのに対し、セグネットは位置情報だけを渡すため、メモリ効率に優れるという対比があります。
- エンコーダとデコーダの直列構造には境界情報が失われやすいという弱点があり、これをスキップ接続で補ったのがU-Netという関係にあります。
6. 確認問題
問1セグネットは、エンコーダのマックスプーリングで最大値を選んだ位置の情報（プーリングインデックス）を記憶し、デコーダのアンプーリングでその位置情報を再利用する構造を持つ。
解答・解説をみる
○ 正しい
プーリングインデックスの記憶と再利用がセグネットの核心です。特徴マップ自体を保持するより少ないメモリで、元の解像度を復元できます。
問2セグネットは、FCNと同じようにエンコーダ側の特徴マップ自体をデコーダ側の出力に足し合わせるスキップ接続を採用している。
解答・解説をみる
× 誤り
正しくは、特徴マップ自体を足し合わせるスキップ接続を持つのはFCNの方式です。セグネットは特徴マップではなくプーリングインデックスという位置情報だけをデコーダに渡す点でFCNと異なり、この違いがメモリ効率の差につながります。
問3セグネットのエンコーダは、VGG16の畳み込み13層と同じ構造を流用している。
解答・解説をみる
○ 正しい
セグネットのエンコーダはVGG16の13層の畳み込み層と同じトポロジで構成され、デコーダはこれと対称の構造を持ちます。
