ある食品メーカーが、工場のカメラ画像を使って次の4つのモデルを開発する。各モデルと、その学習のために用意する正解データ（アノテーション）の組合せとして、最も不適切なものを1つ選べ。
正解と解説を見る
解説
正解 C
この問題の論点：画像認識タスクと正解データ
ポイント
モデルの出力の形が、そのまま必要な正解データの形になります。画素単位で出力するセグメンテーションには、画素単位のラベルが必要です。
選択肢ごとの解説
- A
適切
物体識別（画像分類）は、画像全体に対して1つのクラスを答えるタスクです。正解データも画像単位のラベルで足り、作成の手間が最も小さい形式です。
- B
適切
物体検出は物体ごとに矩形とクラスを出力するため、正解データも矩形（バウンディングボックス）の座標とクラスの組です。1枚に複数の物体があれば、そのすべてに付けます。
- C
不適切 正解
セマンティックセグメンテーションは画素ごとにクラスを出力するため、正解データにも画素ごとにクラスを塗り分けた画像（マスク）が必要です。矩形では区域の形を表せず、矩形内の余分な画素まで同じクラスになります。
- D
適切
姿勢推定は、関節などの特徴点（キーポイント）の位置を出力するタスクです。正解データも各関節の座標で、どの点がどの関節かを区別できるよう、関節の種類ごとに付けます。
補足
画素単位の塗り分けは、特に手間のかかる作業です。COCOのデータセットの構築では、物体ごとの領域を塗り分ける作業に、1,000個あたり延べ22時間を超える作業時間がかかったと報告されています。
試験での狙われ方
タスクごとの出力の違いを、用意すべき正解データの形式や作成の手間の違いとして問う形が考えられます。