【初心者エンジニア向け】完全畳み込みネットワーク（FCN）とは？セグメンテーションの基礎をやさしく解説！
山崎講師
こんにちは。ゆうせいです。
今回は、画像の中の物体をピクセル単位で分類する「セマンティック・セグメンテーション」の基礎となる技術、完全畳み込みネットワーク（Fully Convolutional Network、FCN）について、新人エンジニア向けにやさしく解説していきます！
「なんで“全結合層”を使わないの？」「どんな応用があるの？」といった疑問も、例えや図を交えて丁寧に説明していきますね。
完全畳み込みネットワーク（FCN）とは？
「分類」から「画像全体を分類」するへ進化したニューラルネット
従来の画像分類モデル（たとえばVGGやResNet）は、最終的に1枚の画像に対して1つのクラス（犬、猫、車など）を出力していました。
一方、完全畳み込みネットワーク（FCN）は：
- 画像の各ピクセルごとにクラスを分類します
- 出力は「猫：このピクセル」「空：このピクセル」…と同じサイズの“色分けマップ”
つまり、画像全体を「塗り絵のように意味づけ」するネットワークなんです！
どうして“完全畳み込み”なの？
全結合層（Fully Connected Layer）を使わない＝FCN！
普通の分類ネットワークでは、最後に全結合層を使って出力（分類ラベル）を出しますよね。
ところがFCNでは、最後まで“畳み込み層だけ”で構成されています。
その理由は？
- 全結合層を使うと、出力のサイズが固定されてしまう（入力サイズを変えられない）
- でも、畳み込み層だけならどんなサイズの画像でも処理できる
- 各位置ごとに分類できるから、ピクセル単位の分類が可能
つまり、FCNは「全結合層を排除し、出力まで畳み込みで処理するネットワーク」です。
FCNの処理の流れ（図で理解）
ざっくりした流れは以下の通りです：
[入力画像]
↓
[特徴抽出（畳み込み）]
↓
[空間情報が縮小された特徴マップ]
↓
[アップサンプリング（転置畳み込み）]
↓
[元の画像サイズに復元された出力（ピクセル分類）]
ここでのアップサンプリング（upsampling）とは、「小さくなった画像を拡大する操作」です。
FCNでは、転置畳み込み（Transposed Convolution）を使ってサイズを戻し、最終的に「入力画像と同じ大きさの出力」を作ります。
FCNにはバリエーションがある！
FCNの研究では、以下のような改良バージョンも提案されています：
| モデル | 特徴 |
|---|---|
| FCN-32s | 最後の特徴マップだけを32倍にアップサンプリング（粗い） |
| FCN-16s | 中間層の情報も使って16倍にアップサンプリング（やや細かい） |
| FCN-8s | 複数の層を組み合わせて8倍アップサンプリング（滑らか） |
下に行くほど滑らかで高精度な予測が可能になりますが、計算量も増えます。
FCNはどんなところで使われるの？
ピクセル単位で意味を分けられるFCNは、さまざまな分野で活用されています。
| 分野 | 活用例 |
|---|---|
| 自動運転 | 車線、歩行者、標識などを領域ごとに認識 |
| 医療画像 | CTやMRIで臓器・腫瘍などを自動で色分け |
| リモートセンシング | 衛星画像から建物、道路、植生などを分類 |
| AR/VR | 背景と人物の分離（リアルタイム処理に活用） |
メリット・デメリットを比較してみよう
| メリット | デメリット |
|---|---|
| 入力画像と同じサイズで出力できる（柔軟性） | 境界がぼやけやすい |
| 全体を効率よく処理できる | 小さな物体の検出はやや苦手 |
| 軽量で設計がシンプル | 空間的な位置情報が失われやすい |
FCNの後継モデルもたくさん！
FCNはセマンティック・セグメンテーションの基礎であり、以下のような改良モデルが次々と登場しています。
| モデル名 | 主な特徴 |
|---|---|
| U-Net | 医療画像で活躍、上下対称構造で高精度 |
| DeepLab（v1〜v3+） | Atrous Convolution（空洞畳み込み）を導入 |
| PSPNet | ピラミッド型プーリングで大域情報を強化 |
これらの多くは、FCNの構造をベースにして改良されたものです。
今後の学習の指針
FCNの基本を理解したら、次は以下のステップを目指しましょう！
- FCNを実装して、自分の画像でセグメンテーションを試してみる
- U-NetやDeepLabなど、FCNの発展形にも触れてみる
- 軽量化や高速化を考えた設計（MobileNet+FCNなど）を調べる
- アノテーションツールでデータを作成し、学習パイプラインを構築する
FCNは、画像を“意味のある領域”に分けるためのはじめの一歩。これが理解できれば、セグメンテーション分野の扉が大きく開かれます！
次は、実際にFCNを動かして、「画像をどうやって塗り分けているのか」を体感してみてくださいね。質問があればいつでもどうぞ！
生成AI研修のおすすめメニュー
投稿者プロフィール
- 代表取締役
-
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。
最新の投稿
全ての社員2025年7月4日正解率と適合率の違いとは？混乱しやすい評価指標をやさしく解説- 全ての社員2025年7月4日誤差関数と損失関数、コスト関数の違いとは？初心者でもスッキリ理解できる数学の基本
- 全ての社員2025年7月4日【初心者エンジニア向け】「次元」「特徴量（とくちょうりょう）」「パラメータ」の違い
- 全ての社員2025年7月4日【初心者エンジニア向け】ベクトル空間と次元数の関係
